⚡ electrical engineering

Dom, cars don't fly! -- Or do they? In-Air Vehicle Maneuver for High-Speed Off-Road Navigation

本文提出了一种基于物理原理与机器学习混合前向运动学模型的固定视界采样运动规划方法，使地面车辆能够利用油门和转向指令在高速越野过程中实现精准的空中机动与着陆，从而突破传统离地假设对速度的限制并提升复杂地形下的通行效率。

原作者： Anuj Pokhrel, Aniket Datar, Xuesu Xiao

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Anuj Pokhrel, Aniket Datar, Xuesu Xiao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲了一个非常酷的想法：让普通的越野车在飞起来的时候，也能像飞机一样“空中变向”，从而安全落地。

想象一下，你开着一辆越野车在崎岖的山路上狂飙。因为速度太快或者路面太陡，车子不可避免地会飞起来（腾空）。这时候，车子就像一颗被扔出去的石头，完全不受控制地乱转。如果落地时车头朝下、车尾朝上，或者侧着摔下来，车子就会报废，任务也会失败。

传统的自动驾驶系统通常假设车子永远在地面上，所以遇到这种飞起来的情况，它们要么不敢开快，要么就束手无策。

但这篇论文的作者（来自乔治梅森大学）说：“不，我们可以控制它！”他们发明了一套名为 Dom Planner（致敬《速度与激情》里让车飞起来的唐·托雷托）的系统，配合一个名为 PHLI 的“大脑”，让车子在空中也能通过油门和方向盘来调整姿态。

核心原理：车子是怎么“飞”着转弯的？

你可能会问：“车子都离开地面了，轮子悬空，踩油门和打方向盘有什么用呢？”

这就好比你在太空中旋转一个陀螺，或者在冰面上旋转一个坐在转椅上的滑冰者。

惯性效应（像旋转的陀螺）：
想象你手里拿着一个正在高速旋转的飞轮。如果你突然加速这个飞轮，或者改变它的方向，根据物理定律，飞轮会产生一股反作用力，试图把你（或者你坐的椅子）往反方向推。
- 论文中的应用： 当车子飞在空中时，轮子还在高速旋转。如果你突然猛踩油门（加速轮子）或者猛打方向盘（改变轮子角度），旋转的轮子会产生一股“反作用力矩”，推着车身在空中翻滚或倾斜。
陀螺效应（像自行车的平衡）：
当你骑在自行车上，如果车轮转得很快，你想向左转车把，车身会有一种自然的倾向去倾斜。
- 论文中的应用： 在空中，前轮就像一个大陀螺。当你转动方向盘时，旋转的前轮会产生一种“进动”效应，这股力量会推着整个车身在空中调整角度。

简单比喻：
想象你在玩一个旋转的椅子。你手里拿着一个沉重的、正在旋转的哑铃。

如果你突然把哑铃转得快一点，你的身体会跟着转。
如果你把哑铃的方向转一下，你的身体也会跟着歪。
这篇论文就是教车子利用旋转的轮子（哑铃）和油门/方向盘（你的动作），在飞起来的短短几秒内，把自己摆正，准备像羽毛一样轻轻落地。

他们是怎么做到的？（两个关键工具）

PHLI（半物理半学习的“大脑”）：
要精确计算车子在空中怎么转，光靠物理公式太难了（因为轮胎会变形、重心会变、空气阻力很复杂）。
- 做法： 他们把“物理定律”和“机器学习”结合了起来。就像教一个学生：先告诉他基本的物理规则（比如力是相互的），然后让他看很多很多实际飞行的视频数据，让他自己学会那些公式算不准的细节。这样，车子就能非常精准地预测：“如果我猛踩油门 0.1 秒，我的车头会抬高多少度。”
Dom Planner（极速规划员）：
车子飞在空中的时间非常短（可能只有 1-2 秒），没有时间去慢慢试错。
- 做法： 这个规划器就像是一个超级快速的棋手。它在极短的时间内，在脑海里模拟了成千上万种“踩油门”和“打方向盘”的组合方案。它不是一步一步走，而是直接算到“落地那一瞬间”的状态。它会选出那个能让车子刚好在落地时车头朝前、车身平稳的最佳方案，并立刻执行。

实验结果：真的飞起来了吗？

作者做了很多实验：

室内实验： 他们把车绑在一个巨大的万向节（Gimbal） 上（就像电影里那种让宇航员模拟失重的架子）。在这个架子上，车子可以随意翻滚。结果发现，他们的系统能精准地控制车子摆出各种姿势，而传统的 PID 控制器（一种常见的简单控制算法）则经常把车子“弄晕”，导致失控。
室外实验： 他们真的把车开到了 50 公里/小时以上，冲上斜坡飞了出去。在空中，系统接管控制，调整车身姿态。结果车子平稳落地，没有翻车，也没有摔坏。

总结

这篇论文的核心思想就是：不要害怕车子飞起来，要利用飞起来的瞬间。

以前，车子飞起来是灾难；现在，通过利用轮子旋转产生的物理力量，配合聪明的算法，车子可以把“飞行”变成一种主动的战术。就像特技车手一样，利用腾空的时间调整姿态，从而在复杂的地形上跑得更快、更安全。

一句话总结： 只要轮子还在转，车子就能在空中“跳舞”，而这篇论文就是教车子如何跳好这支舞，确保落地时稳稳当当。所以，Dom 说得对：车子确实能飞！

论文技术总结：高速越野导航中的空中车辆机动控制

1. 研究背景与问题定义 (Problem)

背景：
在高速越野导航任务中，车辆为了快速通过崎岖不平的地形，不可避免地会经历短暂的“腾空”阶段（即车辆完全离开地面）。现有的越野自主系统通常假设车辆始终与地面接触，因此为了安全起见，往往限制行驶速度或采取绕行策略，这极大地限制了车辆在时间敏感任务中的效率。

核心问题：
当车辆腾空后，传统的基于地面的控制策略（如 PID）失效，因为车辆失去了轮地接触力。然而，如果能在短暂的腾空窗口内（通常仅几秒），利用现有的车辆控制（油门和转向）对车辆的空中姿态（Roll, Pitch, Yaw）进行精确调整，就能确保车辆以安全的姿态（如四轮着地、无剧烈翻滚）着陆，从而避免车辆损坏或任务失败。

挑战：

控制受限： 腾空期间，车辆仅受重力影响，无法直接控制平移运动，且无法直接控制偏航角（Yaw）加速度。
时间紧迫： 空中机动窗口极短，要求规划器必须在极短时间内收敛到目标状态。
动力学复杂： 空中姿态变化依赖于车轮旋转产生的惯性效应和陀螺效应，这些效应难以通过纯物理公式精确建模（受重心变化、轮胎形变等影响）。

2. 方法论 (Methodology)

本文提出了一种名为 Dom Planner 的规划框架，结合了一个混合动力学模型 PHLI (Physics and Learning based model for In-air vehicle maneuver)。

2.1 物理原理：利用现有控制进行空中机动

论文首先从物理层面论证了仅通过**油门（改变车轮转速 $rpm $）**和**转向（改变前轮角度$ \psi$）**即可控制空中姿态的可行性：

惯性效应 (Inertial Effect)： 当加速或减速车轮时，根据牛顿第三定律，车轮对车身产生反向扭矩。由于前轮可以转向，该扭矩在 Roll（横滚）和 Pitch（俯仰）轴上产生分量，从而改变车身姿态。
陀螺效应 (Gyroscopic Effect)： 旋转的前轮在转向时会产生进动（Precession），进而对车身施加扭矩，同样影响 Roll 和 Pitch 轴。
结论： 通过精确控制 $rpm $的变化率 ($ \dot{rpm} $) 和转向角的变化率 ($ \dot{\psi} $)，可以间接控制车辆的角加速度 ($ \ddot{roll}, \ddot{pitch}$)。

2.2 混合动力学模型 (PHLI)

为了克服纯物理模型在复杂工况下（如重心偏移、轮胎离心膨胀）建模不准的问题，作者提出了 PHLI 混合模型：

结构： $s_{t+1} = h_\xi(g_\phi(s_t, a_t), s_t, a_t)$ $s_{t + 1} = h_{ξ} (g_{ϕ} (s_{t}, a_{t}), s_{t}, a_{t})$
- $g_\phi$ (数据驱动部分)： 一个 4 层 MLP 神经网络，输入当前状态 $s_t$ 和动作 $a_t$ ，输出角加速度 ( $\ddot{roll}, \ddot{pitch}, \ddot{yaw}$ )。该部分通过监督学习从 IMU 数据中拟合真实的加速度响应。
- $h_\xi$ (物理驱动部分)： 基于牛顿力学的积分器，将 $g_\phi$ 输出的加速度与当前状态结合，通过时间积分计算下一时刻的状态 $s_{t+1}$ 。
优势： 结合了物理模型的泛化能力和数据驱动模型的高精度，能够准确预测短时间的空中状态演化。

2.3 Dom Planner (规划器)

固定视界规划 (Fixed-Horizon Planning)： 不同于传统的滚动视界（Receding-Horizon），由于落地时间 $T$ 是固定的（由起跳速度和地形决定），规划器在固定的时间窗口内进行采样。
基于采样的搜索： 在动作空间（ $\dot{rpm}, \dot{\psi}$ ）内采样数千个动作序列，利用 PHLI 模型进行轨迹推演（Rollout）。
动态加权代价函数： 代价函数 $c(s_t, s^g_T)$ $c (s_{t}, s_{T}^{g})$ 对状态维度进行动态加权：
- 前期： 重点优化角度（Roll/Pitch），确保姿态快速对齐。
- 后期： 重点优化角速度和车轮转速，确保着陆冲击最小化。
可行性检查： 在选定轨迹前，检查是否能在剩余时间内到达目标状态，若不可行则调整目标或策略。

3. 主要贡献 (Key Contributions)

混合动力学模型 (PHLI)： 提出了一种结合物理原理（惯性/陀螺效应）与数据驱动学习的混合模型，专门用于仅通过油门和转向控制地面车辆空中姿态的建模。
Dom Planner 规划算法： 设计了一种针对短时效空中机动问题的固定视界、基于采样的运动规划器，能够处理非凸优化问题并满足严格的时间约束。
实验验证： 在室内万向节平台（Gimbal）和室外真实越野场景下进行了广泛实验，证明了该方法在现有地面车辆控制下的有效性。

4. 实验结果 (Results)

实验在 1/5 比例的 Losi DBXL E2 越野车上进行，对比了 Dom Planner 与传统的 PID 控制器。

4.1 室内实验 (万向节平台)

在模拟失重和空中动力学的万向节平台上进行了四类测试：

轨迹跟踪 (TT)： Dom Planner 能紧密跟踪连续的 Roll/Pitch 轨迹，而 PID 经常偏离甚至导致车辆“卡死”。
快速状态切换 (RSC)： Dom Planner 能以更高的精度和更短的时间到达随机目标状态。
定时目标到达 (TGR)： 能够精确在预定时间 $T$ 到达目标状态，而 PID 往往过早或过晚。
状态稳定性 (SS)： 在受到外部扰动时，Dom Planner 的恢复时间（0.74s）和反应延迟（0.18s）显著优于 PID（1.20s / 0.65s）。
数据表现： Dom Planner 在所有测试中的成功率均为 100% (5/5)，而 PID 在部分任务中失败。

4.2 室外实验

场景： 车辆以约 14 m/s (50+ km/h) 的速度从 45° 坡道起飞。
结果： 在 7 次不同起跳姿态和速度的测试中，Dom Planner 成功控制车辆在空中调整姿态，实现了平稳着陆（Roll 和 Pitch 角接近 0）。
对比： 由于安全考虑，未使用 PID 进行室外实车飞行测试（因为 PID 在室内已表现不佳，极易导致车辆翻滚损坏）。

5. 意义与结论 (Significance & Conclusion)

突破速度限制： 该研究证明了通过利用现有的油门和转向控制，地面车辆可以在腾空期间进行精确的姿态控制。这意味着未来的越野机器人可以不再因担心颠簸而减速，而是利用“跳跃”来跨越障碍，显著提升高速越野导航的效率。
安全着陆保障： 解决了高速越野中“落地即毁”的痛点，通过主动的空中姿态调整，将着陆风险降至最低。
技术启示： 展示了“物理 + 学习”混合建模在复杂动力学控制中的巨大潜力，为未来更激进的机器人运动控制提供了新的思路。

总结语： 正如论文标题所言，"Cars don't fly!—Or do they?"，通过 Dom Planner 和 PHLI，地面车辆确实具备了在高速越野中“飞行”并安全着陆的能力。