arXiv cs.AI· Rwik Rana, Jesse Quattrociocchi, Christian Ellis, Nathan Tsoi, Garrett Warnell, Joydeep Biswas·· 11 小时前AI 评分31
OptCar：将通用车辆动力学模型适配为跨地形高速 MPC 控制器
Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains
AI 导读
OptCar 提出一套将通用前向动力学（FKD）基础模型特化为目标车辆专用模型的方法，采用 Transformer 架构并以 FiLM 将多步预测条件化于单个动力学上下文 token。
正文 · AI 翻译
摘要：高速越野自主性要求对目标车辆进行精确的闭环控制，同时在不断变化的地形中保持鲁棒性。近期的前向运动动力学（FKD）预测基础模型提出了一条有前景的路径：从通用模型出发，将其专门化到目标平台。然而，有效的专门化仍然具有挑战性，因为它通常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过拟合到特定地形或驾驶工况。我们提出 OptCar（Optimized Car），一套弥合通用 FKD 模型与专用 FKD 模型之间差距的方案，在针对特定车辆优化性能的同时保持跨地形泛化能力。OptCar 引入一种 transformer FKD 架构，使用 FiLM 以单个动力学上下文 token（概括近期状态-动作历史）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来自环境特定系统辨识的定向合成 rollout 对通用模型进行专门化。在跨三种地形以及一项分布外拉车任务的闭环模型预测控制（MPC）实验中，最大增益出现在 6 m/s——所评估的最高速度，也是打滑主导跟踪误差的工况。在植被 + 泥土这一打滑多样性最高的地形上，OptCar 将 6 m/s 轨迹跟踪误差相对仅用真实数据微调的 AnyCar 降低约 55%，并且即使未见过的拉车载荷改变了动力学，仍保持最高精度。每种地形仅用 5 分钟真实数据，OptCar 在道路上即可与用 30 分钟道路数据训练的专用模型相竞争，并在地形变化时优于后者。项目页面：this https URL
| 评论： | this https URL 入选 CORL 2026 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2607.13319 [cs.RO] |
| （或 arXiv:2607.13319v4 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.13319 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Rwik Rana [查看邮箱]
[v1]
2026年7月14日星期二 22:59:40 UTC（21,516 KB）
[v2]
2026年10月7日星期三 09:14:28 UTC（21,513 KB）
[v3]
2026年10月14日星期三 06:06:18 UTC（21,537 KB）
[v4]
2026年10月16日星期五 06:59:21 UTC（21,538 KB）
来源：arXiv cs.AI · arxiv.org