基于物理域转移的全向无人地面车辆数据驱动系统辨识方法基准对比研究

《Computation》：Data-Driven Dynamic Identification for Omnidirectional UGVs: A Comparative Benchmark on Generalization and Computational Cost

　　全向牵引无人地面车辆(UGV)的自主导航需要精确的动态模型，以捕捉涉及摩擦和侧向滑移的复杂现象。本文提出了一种方法学基准，评估了四种数据驱动的系统辨识策略：非线性参数模型(Hammerstein)、线性参数变化(LPV-ARX)系统、通过扩展动态模式分解(EDMD)实现的Koopman算子，以及非线性动力学稀疏辨识(SINDy)。实验在Hiwonder ROSOrin硬件平台上进行，该平台配备麦轮和车载Jetson Orin NX边缘计算模块。为严格评估泛化能力并惩罚参数过拟合，主要评估采用双向物理域转移结构，在高摩擦表面(草地)和低摩擦表面(光滑地面)之间交替进行训练与开环验证。结果表明，EDMD与LPV-ARX在各场景下均达到了可比的全球预测精度(均方根误差≈0.016–0.018)，每步推理延迟较低，且无需在验证表面上重新训练，即可保持稳定的跨域预测性能。相比之下，稀疏回归技术(SINDy)表现出较弱的跨域泛化能力。EDMD-Koopman公式在提供更为简洁的表示的同时(54个有效参数，而LPV为84个)，实现了与LPV-ARX可比的预测性能。为评估独立运行的一致性，进行了扩展验证，使用18次在混合表面条件下独立获取的运行数据，为维度扩展方法相对于稀疏回归的预测性能一致性提供了额外证据。研究最后讨论了EDMD与LPV公式在未来嵌入式预测控制架构中的适用性。