利用白金汉 π 定理实现多系统学习迁移：以三车共享数据库为例
机器人学
2024-07-04 v2
摘要
许多先进的驾驶辅助方案或自动驾驶车辆控制器都基于车辆行为的运动模型，即预测车辆对给定控制输入将如何反应的函数。基于实验或仿真数据的数据驱动模型非常有用，特别是对于难以解析建模的车辆，例如地面车辆中轮胎-地面相互作用难以从第一性原理建模的情况。然而，学习方案受限于难以收集大量实验数据或不得不依赖高保真仿真。本文探索了一种基于白金汉 π 定理的无量纲数方法，以提高学习模型的数据效率，旨在促进相似系统之间的知识共享。一项使用类车车辆的案例研究在仿真和实验数据上比较了传统模型与无量纲模型，以验证这种新型无量纲学习方法的益处。研究发现，在使用共享数据库（即基于多种不同车辆的数据预测某一车辆的运动）时，无量纲方案在基于仿真数据预测简单无滑移机动时的预测精度提高了 480%，在基于实验数据预测高动态制动机动时精度提高了 11%。一种带有手工无量纲特征的改进物理信息学习方案也显示出将精度增益分别提高到 917% 和 28%。比较研究还表明，对于该任务，使用白金汉 π 定理作为预处理步骤比主成分分析（PCA）或简单归一化数据要有效得多。
引用
@article{arxiv.2310.17545,
title = {Using Buckingham's $\pi$ Theorem for Multi-System Learning Transfer: a Case-study with 3 Vehicles Sharing a Database},
author = {William Therrien and Olivier Lecompte and Alexandre Girard},
journal= {arXiv preprint arXiv:2310.17545},
year = {2024}
}