Jun, 2023

使用高斯过程进行自动赛车车辆动力学建模

PDF
TL;DR本研究针对 F1TENTH 竞赛平台，构建了动态和扩展运动模型，并进行了 400 多项实验以研究核选择、样本量、赛道布局、比赛路线和速度曲线对学习到的 GP 回归模型的准确性和泛化能力的影响。
autonomous racingvehicle dynamicsgaussian process regressionf1tenth racing platformsimulation
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

  • 高速多车自主赛车的运动规划与控制

    本文提出了一种多层次的运动规划和控制架构，用于自主驾驶赛车，能够避开静态障碍物，执行主动超车，并达到超过 75 m /s 的速度。

    Jul, 2022

  • 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

  • 高斯过程回归的谨慎模型预测控制

    本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

    May, 2017

  • 自主电动汽车极限行驶的实时适应速度优化

    这篇论文介绍了一种优化的速度规划器，可以将赛车能源策略转移到路面，可以在车辆的 ECU 上实时处理性能和紧急情况下的速度配置任务。

    Dec, 2020

  • 通过高斯过程回归形式化验证未知动态系统

    本文提出了一个基于高斯过程回归的验证框架，将连续空间系统抽象为有限状态不确定马尔可夫决策过程，利用模型检测工具验证抽象的不确定性，并将结果扩展到基础的部分可观测系统，有效地应用于线性、非线性和切换系统等多种情况下。

    Dec, 2021

  • 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

    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。

    Jul, 2022

  • 基于稳定高斯过程的 Lagrangian 系统跟踪控制

    使用基于数据的控制法律，通过高斯过程回归来补偿系统未知的动力学，并基于学习的模型的不确定性来自适应反馈部分的增益，以保证全局有界跟踪误差。

    Nov, 2018

  • 提升混合交通的安全性：基于学习的建模与有效的自动驾驶和人工驾驶车辆控制

    使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。

    Apr, 2024

  • 使用深度强化学习在 Gran Turismo Sport 中实现超人类表现

    本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

    Aug, 2020