面向跨地形高速 MPC 的通用车辆模型适配

arXiv:2607.13319v2 公告类型：replace-cross 摘要：高速越野自主驾驶既需要针对目标车辆进行精确的闭环控制，也需要在地形变化时保持鲁棒性。近期的前向运动动力学（FKD）预测基础模型展示了一条有前景的路径：从通用模型出发，将其专门适配到目标平台。然而，有效的专门化适配仍面临挑战，因为它往往需要大量真实世界数据，而且针对某一场景适配的模型仍可能对特定地形或驾驶工况过拟合。我们提出 OptCar（Optimized Car），这是一套弥合通用 FKD 模型与专用 FKD 模型之间差距的方法，在优化特定车辆性能的同时保留跨地形泛化能力。OptCar 引入了一种基于 transformer 的 FKD 架构，使用 FiLM，以概括近期状态—动作历史的单个动力学上下文词元为条件进行多步预测。随后，它利用有限的真实世界数据，以及通过特定环境下的系统辨识生成的定向合成推演数据，对通用模型进行专门化适配。在涵盖三种地形和一项分布外拖车任务的闭环模型预测控制（MPC）实验中，最大性能提升出现在 6 m/s 时；这是评估中的最高速度，也是滑移主导跟踪误差的工况。在植被与泥土地形上，也就是滑移情况最多样的地形上，相较于仅用真实数据微调的 AnyCar，OptCar 将 6 m/s 时的轨迹跟踪误差降低了约 55%；即使未见过的拖车载荷改变了动力学特性，它仍保持最高精度。每种地形仅需 5 分钟的真实数据，OptCar 在道路上的表现即可媲美使用 30 分钟道路数据训练的专用模型，并在地形变化时优于该模型。