利用基于模型的神经网络,从物理先验知识中学习车辆动力学
《IEEE Open Journal of Intelligent Transportation Systems》:Vehicle Dynamics Learning from Physics Priors with Model-Structured Neural Networks
【字体:
大
中
小
】
时间:2026年04月20日
来源:IEEE Open Journal of Intelligent Transportation Systems 5.3
编辑推荐:
摘要:
对接近车辆操控极限时的动力学行为进行建模对于自动驾驶和赛车领域至关重要。然而,由于存在强烈的非线性、数据获取受限以及环境条件的变化,构建精确的模型仍然具有挑战性。基于物理的模型虽然具有可解释性,但需要耗费大量资源
摘要:
对接近车辆操控极限时的动力学行为进行建模对于自动驾驶和赛车领域至关重要。然而,由于存在强烈的非线性、数据获取受限以及环境条件的变化,构建精确的模型仍然具有挑战性。基于物理的模型虽然具有可解释性,但需要耗费大量资源来进行参数识别;而通用神经网络通常需要大规模的数据集才能实现泛化。本文介绍了一种新的模型结构化神经网络(MS-NN-full),该网络通过将物理知识嵌入其内部架构来学习车辆的横向与纵向动力学耦合关系。MS-NN-full结合了受物理启发的神经模糊模型和数据驱动组件,能够捕捉准稳态和瞬态行为,以及横向与纵向动力学之间的相互作用。在1:10比例的自动驾驶车辆上的实验结果表明,MS-NN-full在准确性和泛化能力方面优于现有的MS-NN模型和通用神经网络,并且仅使用不到两分钟的训练数据即可达到优异性能。此外,该模型还能快速适应新的轮胎配置和增加的车辆质量,且几乎不需要进行微调。我们公开了我们的实现代码和数据集,以支持自动驾驶系统中基于物理的机器学习研究。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号