DynSSM: A Physics-Aware State-Space Memory Framework for Learning Vehicle Dynamics

高速自主赛车是人工智能和机器人技术面临的最严苛测试之一。与在城市街道以中速行驶的标准自动驾驶汽车不同，赛车是在其物理极限的边缘运行的。它们将轮胎的抓地力推向极限，进行极强的制动，并进行如此剧烈的转向，以至于赛车的重量会在一侧发生剧烈转移。在这些条件下，物理定律的表现并不简单、可预测。转向轮与车辆转弯之间的关系变得复杂，并会根据速度、轮胎温度以及每个车轮承受的压力实时发生变化。为了成功参赛，计算机需要一个不仅准确，而且能够理解这些不断变化的物理规则的赛车模型。如果模型过于简单，它就无法预测赛车如何滑动；如果模型过于复杂，计算时间就会过长，导致赛车在做出反应之前就发生碰撞。

代顿大学的研究人员开发了一种名为 DynSSM 的新框架来解决这一特定问题。他们的工作重点是创建一个数字孪生赛车，该模型在严格遵守物理定律的同时，能从数据中学习。该团队结合了两种不同的方法：一种是基于经典车辆动力学的结构化数学模型，另一种是能够适应现实世界条件的灵活学习系统。结构化模型作为一个可靠的基础，确保赛车的行为始终符合物理常识。学习系统则使用先进的记忆网络来记录过去的动作及其后果，从而对这一基础进行微调。它调整模型中的特定参数——例如轮胎的抓地力大小或赛车在转弯时的重量转移情况——以匹配赛道上的实际情况。至关重要的是，该系统包含一个安全机制，防止这些调整变得不切实际，确保赛车永远不会学会在空中飞行或做出违背物理定律的行为。

研究人员使用来自两个完全不同来源的数据对该系统进行了测试：一个小规模的模拟赛车和一个全尺寸的、真实的自主印地赛车。他们利用一个赛道的数据训练模型，然后挑战模型去预测其在完全不同的、未见过的赛道上的运动。结果显示，该新框架比现有方法显著更准确。在预测赛车前进速度、侧滑速度以及旋转速度方面，与之前的最佳模型相比，新模型将误差分别降低了高达 27%（前进速度）、74%（侧滑）和近 89%（旋转速度）。这些改进不仅仅是理论上的；当研究人员使用该模型在模拟中控制赛车时，该车辆完成一圈的时间比使用其他最先进模型快了 13%。

要理解为什么这种方法如此有效，有助于观察该系统的构建方式。研究人员发现，仅仅向一个通过猜测下一步动作的计算机程序输入数据，往往会导致误差随时间累积。相反，他们设计了一个系统，首先根据已知的物理学计算出一个“最佳猜测”，然后使用记忆网络来修正该猜测。这个记忆网络既关注长期趋势（如赛车在过去几秒内的驾驶情况），也关注短期突发状况（如转向系统的突然剧烈抖动）。该系统还包含一个“门控”修正步骤，其作用类似于一个过滤器。它允许计算机修复物理模型中的小错误，例如转向机制的延迟或路面不平，但会阻止计算机做出疯狂且不可能的改变。这种平衡使得模型既能保持足够快的实时运行速度，又能具备足够的精度来应对赛车中的极端力量。

研究还探讨了移除该系统部分组件时会发生什么。当研究人员关闭调整物理参数的功能时，模型在预测不同赛道的赛车行为方面表现挣扎，并在模拟中经常导致碰撞。当他们移除追踪赛车历史的记忆组件时，模型无法预判赛车对一系列连续转弯的反应。这些测试证实了该框架的每一个部分都是必要的：物理骨架提供了稳定性，记忆提供了上下文，而修正机制处理了现实世界的复杂细节。研究人员证明，这种方法不仅适用于计算机模拟中的小型玩具车，也适用于在印第安纳州和拉斯维加斯的高速真实赛道上行驶的全尺寸赛车。

尽管结果令人鼓舞，但作者指出该系统并非完美。目前，该模型只能产生关于赛车未来路径的一个确定性预测，并且没有明确计算不同结果的可能性或其自身知识的确定程度。此外，该系统已在模拟和高性能计算机上进行了测试，但尚未安装在赛车实际的硬件内部，以观察其在真实比赛严格的时间限制下的表现。尽管存在这些局限性，这项工作仍是让自动驾驶汽车变得更安全、更强大的重要一步。通过教机器如何在不忘记基本物理规则的前提下从数据中学习，研究人员创造了一个工具，可以帮助自动驾驶汽车不仅在赛道上，也在不可预测且复杂的日常道路环境中行驶。这种以如此高精度和速度预测车辆动力学性能的能力，预示着一个自动驾驶系统可以以以往难以企及的信心和敏捷度运行的未来。