Residual Learning towards High-fidelity Vehicle Dynamics Modeling with Transformer

要約

車両のダイナミクスモデルは、車両状態の時間的変化を説明するため、自律駆動システムの重要なコンポーネントとして機能します。
長い間、研究者は車両のダイナミクスを正確にモデル化するために大きな努力をしてきました。
従来の物理学ベースの方法では、数学的な処方を使用して車両のダイナミクスをモデル化しますが、単純化のために複雑な車両システムを適切に説明することはできません。
深い学習に基づく方法の最近の進歩は、車両のダイナミクスを直接回帰することにより、この制限に対処しています。
ただし、パフォーマンスと一般化機能には、さらに強化が必要です。
この手紙では、深いニューラルネットワークを活用して、状態を直接推定する代わりに物理モデルの状態残差を修正する車両ダイナミクス補正システムを提案することにより、これらの問題に対処します。
このシステムは、ネットワーク学習の難しさを大幅に削減し、車両のダイナミクスの推定精度を改善します。
さらに、新しい変圧器ベースのダイナミクス残差補正ネットワークDytrを開発しました。
このネットワークは、状態残差を高次元クエリとして暗黙的に表し、ダイナミクス状態の特徴と相互作用することにより、推定残差を繰り返し更新します。
シミュレーションの実験は、提案されたシステムが物理学モデルよりもはるかにうまく機能することを示しており、提案されているDYTRモデルは、ダイナミクス状態の残差補正タスクで最高のパフォーマンスを達成し、単純な3 DOF車両モデルの状態予測誤差を平均92.3％、
それぞれ2つのデータセットで59.9％。

要約(オリジナル)

The vehicle dynamics model serves as a vital component of autonomous driving systems, as it describes the temporal changes in vehicle state. In a long period, researchers have made significant endeavors to accurately model vehicle dynamics. Traditional physics-based methods employ mathematical formulae to model vehicle dynamics, but they are unable to adequately describe complex vehicle systems due to the simplifications they entail. Recent advancements in deep learning-based methods have addressed this limitation by directly regressing vehicle dynamics. However, the performance and generalization capabilities still require further enhancement. In this letter, we address these problems by proposing a vehicle dynamics correction system that leverages deep neural networks to correct the state residuals of a physical model instead of directly estimating the states. This system greatly reduces the difficulty of network learning and thus improves the estimation accuracy of vehicle dynamics. Furthermore, we have developed a novel Transformer-based dynamics residual correction network, DyTR. This network implicitly represents state residuals as high-dimensional queries, and iteratively updates the estimated residuals by interacting with dynamics state features. The experiments in simulations demonstrate the proposed system works much better than physics model, and our proposed DyTR model achieves the best performances on dynamics state residual correction task, reducing the state prediction errors of a simple 3 DoF vehicle model by an average of 92.3% and 59.9% in two dataset, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google