自动漂移的神经网络轮胎力建模
内容提要
本文提出了一系列基于神经网络的模型，以提高轮胎力和车辆动力学的精确度，支持自主漂移控制。结合深度学习与物理模型的方法，能够准确预测车辆状态并优化控制性能。同时，研究探讨了摩擦估计和车辆速度优化，展示了在不同环境下的良好泛化能力和鲁棒性。
延伸解读
物理与数据融合的建模趋势
文章汇总的多项研究显示，轮胎力与车辆动力学建模正从纯物理模型或纯神经网络，转向物理知识与数据驱动的融合。例如全可微分物理模型结合深度学习，以及物理知识神经网络（PINN），都在提升泛化能力的同时保留了物理约束。这种趋势有助于在未知摩擦等复杂条件下实现更可靠的控制。
摩擦估计的多样化方法
针对摩擦估计，文章提到了基于多层神经网络的最佳滑行估计、残差学习适应新动力学、以及飞机降落阶段的地面摩擦系数估计。这些方法分别面向机器人制动、关节摩擦和航空场景，共同点是利用数据驱动提升鲁棒性，并关注认知不确定性。残差学习在少量数据下仍能显著改进预测，展示了跨领域迁移的潜力。
控制策略的泛化与安全
在控制层面，深度强化学习被用于设计无需显式运动方程的漂移控制器，能够快速稳定地处理不同车辆。同时，基于随机森林的横向控制器在极少标记数据下展现出比深度神经网络更好的泛化能力，并可通过不确定性阈值触发安全措施。这些工作表明，泛化能力和安全性是自动驾驶控制的重要考量。
能效优化的替代方案
文章还介绍了一种通过车辆间信息优化速度和动力系统以最小化能耗的层次化多时域框架。与基于强化学习的随机优化相比，该方法在真实路线模拟中达到相当性能，且不需要复杂训练和大量内存。这为多车协同节能提供了一种轻量级替代思路。
Q&A
如何提高轮胎力模型的精确度？
通过结合神经网络和全可微分物理模型的方法，可以提高轮胎力模型的精确度和性能。
什么是物理知识神经网络（PINN）？
物理知识神经网络（PINN）是一种通过物理系数估计和动力学方程来准确预测车辆状态的模型，具有良好的建模潜力。
深度强化学习在漂移控制中有什么应用？
深度强化学习被用于开发一种强健的漂移控制器，使车辆能够快速、稳定地漂移通过各种拐角。
摩擦估计算法的优势是什么？
基于多层神经网络的摩擦估计算法能够提供有效的最佳滑行估计，提升了摩擦力矩的预测精度。
如何优化车辆速度和动力系统以减少能量消耗？
通过车辆间信息优化车辆速度和动力系统，可以实现能量消耗的最小化。
随机森林控制器与深度神经网络控制器的比较如何？
在少量标记数据条件下，基于随机森林的控制器具有更好的泛化能力，能够在不安全情况下采取适当控制措施。
