调整通用车辆模型以实现跨地形高速 MPC

高速越野自主需要对目标车辆进行精确的闭环控制，同时在不断变化的地形中保持稳健。最近的正向运动动力学（FKD）预测基础模型提出了一条有希望的道路，从通用模型开始，并将其专门用于目标平台。然而，有效的专业化仍然具有挑战性，因为它通常需要大量的现实世界数据，并且适应一种设置的模型仍然可能过度适应特定的地形或驾驶模式。我们推出 OptCar（优化汽车），这是一种弥合从通才 FKD 模型到专业 FKD 模型之间差距的方法，可以保留跨地形泛化能力，同时优化特定车辆的性能。 $\texttt{OptCar}$ 引入了一个历史条件动态适应模块，该模块将最近的状态动作观察编码到动态上下文标记中，然后使用有限的现实世界数据以及来自特定环境的系统识别的有针对性的合成展示来微调通才模型。在跨越三个地形和非分布推车拉动任务的闭环模型预测控制 (MPC) 实验中，最大增益出现在 6~m/s，评估的最高速度以及滑移主导跟踪误差的状态。在植被和泥土这种最容易滑动的地形上，OptCar 相对于微调的 AnyCar 基线，将 6~m/s 的轨迹跟踪误差降低了大约 55%，并且即使在看不见的推车有效负载改变动态时也保持最准确。 OptCar 每个地形仅需要 5 分钟的真实数据，因此在道路上与受过 30 分钟道路数据培训的专家相比，它具有竞争力，并且一旦地形发生变化，其表现就会大大超过它。