面向自动驾驶车辆的稀疏增量误差动力学建模——SPLIT 方法

准确、计算高效且具自适应性的车辆模型是自动驾驶车辆控制的关键。将名义模型与高斯过程（GP）残差模型相结合的混合模型已成为有前景的方案。然而，基于 GP 的残差模型受制于维度灾难、高评估复杂度以及在线学习效率低下，阻碍了其在实际时车控制器中的部署。为此，我们提出了 SPLIT——一种面向车辆动力学建模的稀疏增量学习框架。SPLIT 集成了三项关键创新：（i）模型分解。我们将车辆模型分为经验标定的不变元素与由残差模型补偿的可变元素，从而降低特征维度。（ii）局部增量学习。我们定义特征空间中的有效区域并将其划分为子区域，使可从流式数据中进行高效在线学习。（iii）GP 稀疏化。我们采用贝叶斯委员会机制以确保可扩展的在线评估。集成到基于模型的控制器中，SPLIT 在激进的仿真和真车实验中均得到评估。结果表明，SPLIT 在提升在线模型准确性和控制性能方面显著有效。此外，它实现了对车辆动力学偏差的快速适应，并在面对以前未见情景时表现出稳健的泛化能力。