自动漂移的神经网络轮胎力建模
本研究采用最新的深度强化学习算法(软演员-评论家),提出了一种不需要明确运动方程的强健漂移控制器,通过对不同难度的赛道进行训练,使车辆能够快速、稳定地漂移通过各种锐利的拐角,控制器被证明具有良好的泛化能力,可以直接处理具有不同物理特性的不同类型的车辆。
Jan, 2020
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
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
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。
Nov, 2022
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
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
通过数据驱动的学习方法,我们研究自主小型车辆的运动学模型,并观察其对运动规划(特别是自主漂移)的影响。我们基于惯性测量和执行命令来学习运动学规划器,以帮助我们了解世界状态。我们的研究主要关注漂移,并试图学习这些漂移动作的运动学模型,以及尝试减小车辆空转的滑动。我们的方法能够学习到高速圆形导航的运动学模型,并能够通过纠正松散漂移的曲率对高速漂移中的障碍物进行避让。我们将在未来的工作中调整我们的运动学模型以获得更好的紧急漂移效果。
Feb, 2024
通过将保守定律嵌入到数据驱动的神经模型中,我们提出了PhysORD,一种用于越野驾驶中运动预测的神经符号方法。我们的实验证明,PhysORD可以通过建模不确定性准确地预测车辆运动,并且可以容忍外部干扰。它在准确性和效率方面优于现有方法,并展示了长期预测中的数据效率学习和泛化能力。
Apr, 2024
使用两个深度神经网络、单一前置摄像头作为图像输入,本研究提出了一种自主驾驶中的深度学习双模型解决方案,通过应用NVIDIA的PilotNet模型预测方向盘转角来实现转向控制,而制动控制则依赖于MobileNet SSD模型。通过对PilotNet模型进行改进,减少模型参数和内存占用约60%,降低推断延迟,使其适用于资源受限的设备。经过模拟环境评估,使用改进的PilotNet模型和原始PilotNet模型进行驾驶的自主驾驶系统表现出类似的性能水平。
May, 2024