Nov, 2022

提高电动飞机制动系统的轮胎-路面摩擦估计和不确定性评估

HTML
PDF
TL;DR本文提出了基于MLP神经网络的数据驱动方案，用于估计飞机降落阶段地面摩擦系数，使用随机神经网络权重dropout机制，以在线方式估计拟合最佳摩擦系数的置信区间，从而提供与神经网络模块相关的认知不确定性的表征。通过开环和闭环模拟展示了该鲁棒性摩擦估计方法的潜力和有效性。
发现论文，激发创造
  • 端到端控制的空间不确定性采样

    本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级dropout方法上实现了更好的模型拟合和更紧密的不确定性估计。

    May, 2018

  • 重新审视不确定性估计的评估及其在探索模型复杂度-不确定性平衡中的应用

    本研究针对神经网络预测的不确定性准确度进行研究，提出了针对不同使用场景下的新度量标准，探讨了模型复杂度与不确定度准确度之间的权衡关系，并通过实验验证了新度量标准的有效性和一些有趣的趋势。

    Mar, 2019

  • 端到端自动驾驶控制的统计保证下的不确定性量化

    本论文提出了一种基于最先进的模拟器的框架，以评估端到端Bayesian控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

    Sep, 2019

  • 一种基于数据驱动的打滑估计方法用于在不同路况下实现有效的制动控制

    针对机器人系统的制动控制性能，提出了一种基于多层神经网络的摩擦估计算法，经过实验和对比结果表明该算法能够提供有效的最佳滑行估计。

    Nov, 2022

  • 使用学习的轮胎模型进行3分钟的自主漂移

    本文提出了一系列基于神经普通微分方程和神经ExpTanh参数化的轮胎力模型，用于提高非线性轮胎模型的精确度和性能，实现高效自主漂移控制。

    Jun, 2023

  • 增强型计算机视觉冬季路面状况监测

    该研究提出了一种名为SIWNet的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性，该模型在网络中引入了一个额外的头部来估计预测区间，通过最大似然损失函数进行训练。研究结果表明，SIWNet的预测区间估计功能良好，并且与之前的最先进模型在点估计准确度上相当，而且SIWNet的架构比之前的模型轻量化了几倍，更加适合实际部署和高效使用。

    Oct, 2023

  • 基于学习的机器人摩擦模型适应

    在第四次工业革命中，机器人的部署是不可或缺的，但是机器人与人类的合作制造过程非常复杂，其中建模机器人关节的摩擦力矩一直存在问题。为了解决这个挑战，我们提出了一种基于残差学习的新方法，旨在利用尽可能少的数据将现有摩擦模型适应新的动力学。通过合理地结合两个网络的输出，我们的方法在预测摩擦力矩方面表现优于传统的基于模型的方法和基础神经网络。此外，我们的方法在涉及外部负载的轨迹上进行评估，仍然观察到显著的改进，相比传统方法，提高了约60-70％。我们的方法在训练时不依赖外部负载数据，消除了对外部扭矩传感器的需求，证明了我们的方法的泛化能力，即使只有少量数据-仅有43秒的机器人运动，也能根据对不同环境中摩擦的先前知识进行适应。

    Oct, 2023

  • 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向

    在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性。经过模拟数据训练的BNN控制器在单个轨道上测试以及其他各种轨道都表现出了适应和有效控制车辆的能力。通过建立置信阈值，我们可以触发手动干预，确保在算法操作超出安全参数范围时控制权可以被剥夺。

    Apr, 2024

  • 自动漂移的神经网络轮胎力建模

    使用神经网络车辆模型改进自动漂移时的车辆控制，在模拟和对比中证明了该模型在前轮制动情况下具有显著改善的路径跟踪性能。

    Jul, 2024

  • SLIDE：一种基于机器学习的多体系统强迫动态响应估计方法

    本研究解决了计算工程中仿真速度和效率提升的需求，提出了一种深度学习方法SLIDE，用于估计机械或多体系统的输出序列。SLIDE的创新在于无需完整系统状态即可有效估计阻尼系统的动态响应，显著提高了灵活多体系统的仿真性能，实验结果表明该方法在多个系统中实现了显著的加速，远超实时性能。

    Sep, 2024