Jul, 2022

基于物理嵌入的神经网络车辆模型及其在风险感知自动驾驶中的应用

PDF
TL;DR本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。
non-holonomic vehicle motionphysics-based modelsneural network modelsfunction approximationlatent features
发现论文，激发创造
  • 深度动力学：基于物理知识的神经网络车辆动力学建模

    该研究论文介绍了一种用于模拟自动赛车车辆动力学的物理知识神经网络（PINN），它通过物理系数估计和动力学方程准确预测高速下的车辆状态，并包含了一个独特的物理约束层来确保内部系数估计保持在其标称物理范围内，相关实验表明该方法对于建模赛车车辆动力学具有良好的潜力。

    Dec, 2023

  • 基于运动学的轨迹生成与预测及隐变量随机微分建模

    整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

    Sep, 2023

  • KARNet: 自主驾驶任务中学习世界模型的卡尔曼滤波增强循环神经网络

    本文提出了一种基于卡尔曼滤波增强的递归神经网络架构，通过前向摄像头图像学习交通流的潜在表示，结果表明在端到端学习中加入车辆的显式模型（使用卡尔曼滤波估计状态）可以显著提高性能。

    May, 2023

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 基于模型预测路径积分控制的自主越野拉力赛驾驶学习地形感知运动学模型

    提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。

    May, 2023

  • 物理信息多 LSTM 网络用于非线性结构模型化

    本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

    Feb, 2020

  • 深度 Lagrangian 网络：以物理学为深度学习的模型先验

    使用理论物理知识，以很少的数据为样本，提出了一种新的深度学习方法 Deep Lagrangian Networks (DeLaN)，可用于机器人轨迹跟踪控制，能够在实时学习中更快速，更准确地进行模型学习， 并能更加可靠地对新的轨迹进行外推

    Jul, 2019

  • 深度运动学模型用于运动学合理车辆轨迹预测

    本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

    Aug, 2019

  • 可行的车辆轨迹预测

    本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

    Apr, 2021

  • 基于物理信息的自编码器用于 Lypunov 稳定流体流动预测

    该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。

    May, 2019