Excitation-Aware On-Track System Identification at Full Scale
本文识别并解决了全规模在轨系统辨识流水线中的三个关键缺陷——即激励缺失、峰值因子不可辨识以及非收缩反馈回路——从而在抓地力显著降低的表面上成功恢复了准确的轮胎参数并维持了稳定的车辆控制。
原始论文采用 CC BY 4.0 许可（https://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
自动驾驶赛车不仅仅是追求速度，它们还在不断地进行推测。为了在极限边缘驾驶，计算机必须精确掌握轮胎在任何时刻与路面之间的抓地力。这种抓地力会随着速度、温度和沥青路面的状况而变化，使其成为车辆“大脑”中最关键也最难以捉取的关键信息。传统上，工程师会让赛车停下来，在测试跑道上进行低速圆周行驶，并测量轮胎以建立数学模型。但在真实的比赛中，没有时间去跑测试场。汽车必须在比赛过程中学习轮胎特性，利用正常圈道的数据来推断橡胶的行为。这个过程被称为“在轨系统辨识”（on-track system identification）。这是一场高风险的推理游戏：车辆必须在高速移动的同时，从底盘可见的运动中推导出轮胎不可见的物理属性。
最近，由艾因·夏姆斯大学（Ain Shams University）和中东美洲大学（American University of the Middle East）研究人员进行的一项研究，调查了一种教导全尺寸赛车在行驶中学习自身轮胎特性的特定方法。他们采用了一套在十分之一比例的小型模型车上表现良好的系统，并尝试将其直接移植到全尺寸的大学生方程式赛车（Formula Student vehicle）上。研究者的预期是该方法能够平滑地实现规模化升级。然而，研究人员发现，该系统正以一种微妙且危险的方式失效。当转移到全尺寸赛车时，辨识流水线生成的模型在理论上看起来是正确的，但在物理上却是无法实现的，这导致车辆误以为自己拥有的抓地力远高于实际水平。这项完全在高度逼真的计算机模拟中进行的实验表明，失败的原因并非由于错误的数学计算或传感器噪声，而是源于其生成自身测试数据的方式存在根本性缺陷。
问题的核心在于系统创建一个“虚拟”测试驾驶的过程，用以分析轮胎。在最初的小比例模型设置中，这种虚拟驾驶足以揭示轮胎的极限。然而，在全尺寸赛车上，虚拟模拟中所使用的速度和转向角过低，无法将轮胎推向崩溃点。因为虚拟测试从未要求轮胎进行高强度工作，系统因此无法观察到抓地力的终点。这就像试图通过骑自行车穿过一座桥来猜测桥的承重极限一样；由于桥在自行车经过时永远不会显示出压力迹象，观察者也就永远无法知道它实际能承受多少重量。因此，计算机通过猜测来填补缺失的信息，而它猜出的数值达到了程序允许的最大限制。系统报告称，轮胎可以承受近四倍于其实际能力的力。当真实的赛车尝试以计算机认为安全的各种速度行驶时，它会直接失去抓地力并冲出赛道。
研究人员将这一失败归因于一个被称为“激励”（excitation）的概念。为了让系统学习某种属性，必须对其进行足够的激励或刺激，以揭示该属性。在轮胎辨识的语境下，车辆必须被驾驶得足够激烈，才能感受到抓地力的边缘。原系统中使用的虚拟驾驶对于全尺寸车辆来说过于温和了。研究人员计算出，该虚拟驾驶仅能要求提供轮胎实际能提供的摩擦力的一小部分。由于数据从未达到轮胎性能曲线的峰值，数学模型无法区分抓地力低和抓地力高的轮胎。它仅仅是选择了其安全限制内允许的最高答案，从而制造了一种虚假的安全感。
为了解决这个问题，团队重新设计了具有“激励感知能力”（excitation-aware）的辨识流水线。他们修改了系统，使虚拟测试驾驶能够根据赛车在真实赛道上的实际行驶速度，自动调整其速度和转向强度。如果赛车移动速度较快，虚拟测试就会变得更加激进，以确保它能产生足够的力来揭示轮胎的真实极限。他们还引入了一种新的安全检查机制。系统不再仅仅观察计算机生成的原始数字，而是检查生成的模型是否符合物理常识。他们验证了计算出的抓地力上限是否高于道路可能支持的极限，以及车辆的转向行为是否保持稳定。如果模型未能通过这些物理检查，系统将拒绝使用该模型，并继续沿用之前已知的安全模型，而不是部署一个危险的新模型。
这些改进带来的结果在模拟中非常显著。在抓地力恒定的静态表面上，修正后的系统学习到的轮胎刚度误差小于3.2%，而旧系统误差超过了100%。更重要的是，团队在模拟抓地力缓慢衰减（模拟赛道变湿或磨损）的表面上测试了该系统。由于陷入了对高抓地力的错误估计，旧系统未能察觉到牵引力的丧失，它继续以不再安全的频率驾驶，导致赛车在第二圈时冲出赛道。然而，修正后的系统检测到了抓地力的衰减。它意识到轮胎正在失去抓地力，控制器随即针对新的、较低的极限重新调整了参考速度曲线。这使得车辆能够通过调整速度以适应变化的环境，以同样的精准度完成了三个完整的圈道。
这项研究强调了自动驾驶汽车的一个关键教训：一个完美拟合数据的模型并不一定是一个理解物理规律的模型。研究人员发现，仅仅检查一个数值是否落在安全范围内是不够的；系统还必须确保用于学习的数据确实具备测试这些极限的能力。通过迫使系统向轮胎提出正确的问题——即那些足以揭示真相的、足够困难的问题——他们才得以防止赛车信任一个谎言。虽然这些结果是在模拟中取得的，但修复逻辑是基于适用于真实赛车的物理定律的。研究人员得出结论：为了实现安全有效的自动驾驶竞赛，车辆的设计必须能够主动寻求自身能力的极限，而不是假设这些极限就是计算机所呈现的样子。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。