基于注意力先验和迭代神经校正的自动驾驶赛车系统识别
机器人学
2026-03-11 v1
摘要
在驾驶自动车以处理能力极限运行时，需要精确的、实时的 tire 动力学识别。然而，传统的在线优化方法 suffer from "cold-start" 初始化失败，难以建模高频瞬态动力学。为解决这些瓶颈，本文提出一种 novel vision-augmented、iterative system identification 框架。首先，轻量级 CNN (MobileNetV3) 将视觉道路纹理翻译为连续的 heuristic friction prior，为参数优化提供稳健的 "warm-start"。随后，S4 模型捕获复杂的时序动态残差，规避了传统 MLP 和 RNN 的 memory 和 latency 限制。最后，采用无导数的 Nelder-Mead 算法通过 hybrid virtual simulation 迭代提取可解释的 Pacejka tire 参数。CarSim 中的 co-simulation 表明，轻量级视觉 backbone 通过减少 85 个 FLOPs 将摩擦估计误差降低 76.1，加快 cold-start 收敛速度 71.4。此外，S4 增强框架提高了参数提取精度，将横向力 RMSE 降低超过 60，通过有效捕获复杂车辆动力学显著优于 conventional neural architectures。
关键词
引用
@article{arxiv.2603.09399,
title = {Vision-Augmented On-Track System Identification for Autonomous Racing via Attention-Based Priors and Iterative Neural Correction},
author = {Zhiping Wu and Cheng Hu and Yiqin Wang and Lei Xie and Hongye Su},
journal= {arXiv preprint arXiv:2603.09399},
year = {2026}
}