视觉条件变分贝叶斯末层动力学模型

机器人系统的敏捷控制通常需要预测环境如何影响系统行为。例如，驾驶员必须感知前方路况以预测可用的摩擦力并据此规划动作。在自主框架内实现这种主动适应仍然是一项挑战，尤其是在快速变化的条件下。传统建模方法通常难以捕捉系统行为的突变，而自适应方法本质上是反应性的，可能因适应过晚而无法确保安全。我们提出了一种视觉条件变分贝叶斯末层动力学模型，该模型利用视觉上下文来预测环境的变化。该模型首先学习标称车辆动力学，然后通过潜在特征的逐特征仿射变换进行微调，从而实现上下文感知的动力学预测。由此产生的模型被集成到用于车辆竞速的最优控制器中。我们在穿越水坑的 Lexus LC500 赛车上验证了我们的方法。借助视觉条件化，该系统在不断变化的条件下完成了所有 12 圈尝试。相比之下，所有无视觉上下文的基线方法均一致失控，证明了主动动力学适应在高性能应用中的重要性。