Gray-Box Model Predictive Control for Articulated Dump Trucks via Gaussian Process Learning of Sideslip

📄 arXiv: 2609.27597v1 📥 PDF

作者: Arash Shahirpour, Jens Ahlers, Christopher Schulte, Tim Reuscher

分类: cs.RO, eess.SY

发布日期: 2026-09-23

备注: 7 Pages

💡 一句话要点

提出高斯过程学习侧滑角的灰箱模型预测控制以提升自卸卡车精度

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 高斯过程回归 灰箱模型 自卸卡车 模型预测控制 侧滑角 运动学模型 自动化运输

📋 核心要点

  1. 现有的动态建模方法在复杂设置和参数化上存在挑战，且在变化环境中需重新校准，导致运动学模型成为主流，但精度不足。
  2. 本文提出通过高斯过程回归学习车辆侧滑角，并将其与运动学模型结合，形成灰箱模型，以提高预测精度。
  3. 实验结果显示，灰箱模型在模拟环境中相比于两种白箱模型，最大横向跟踪误差从2米以上降低至0.56米，显著提升了性能。

📝 摘要（中文）

随着矿业自动化需求的增长，尤其是自卸卡车（ADT）的自主操作，对准确的车辆建模的关注日益增加。动态建模虽然可行，但复杂的设置和参数化过程使其在变化的操作环境中需要重新校准。因此，运动学模型在ADT建模中占据主导地位，但预测精度降低。本文提出了一种利用高斯过程回归（GPR）学习车辆侧滑角的方法，侧滑角被认为是运动学模型精度降低的主要因素。将学习到的GPR函数与运动学模型结合，形成灰箱模型，从而缩小与动态模型的差距。实验表明，灰箱模型能够预测侧滑角及车辆的横向速度，从而提升模型预测控制（MPC）的预测性能。

🔬 方法详解

问题定义：本文旨在解决自卸卡车在运动学模型下预测精度不足的问题。现有动态建模方法复杂且在不同操作环境中需要频繁校准，导致实际应用受限。

核心思路：通过高斯过程回归（GPR）学习车辆的侧滑角，识别出其对运动学模型精度的主要影响，从而将学习到的GPR函数与运动学模型结合，形成灰箱模型。

技术框架：整体架构包括数据采集、GPR模型训练、运动学模型构建及灰箱模型集成。首先收集车辆在不同条件下的运动数据，然后训练GPR模型以学习侧滑角，最后将GPR输出与运动学模型结合，形成灰箱模型。

关键创新：最重要的创新在于将高斯过程回归引入运动学模型中，形成灰箱模型，从而有效提升了模型的预测能力，克服了传统运动学模型的局限性。

关键设计：在GPR模型中，选择适当的核函数以捕捉侧滑角的变化，损失函数采用均方误差（MSE）来优化模型性能，确保模型在不同操作条件下的鲁棒性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，灰箱模型在模拟环境中相比于传统白箱模型，最大横向跟踪误差从2米以上降低至0.56米，显示出显著的性能提升，验证了所提方法的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在矿业和建筑行业的自动化运输中。通过提高自卸卡车的控制精度，可以显著提升作业效率和安全性，未来可能推动更多自动化设备的智能化发展。

📄 摘要（原文）

The growing demand for automation in the mining industry, particularly for the autonomous operation of articulated dump trucks (ADTs), has drawn increased attention to accurate vehicle modeling. The importance of such models lies in their use in model predictive control (MPC), model-based estimation methods, and vehicle simulation. While dynamic modeling offers a viable solution for these purposes, it is associated with complex setup and parametrization and may require recalibration in changing operating environments. As a result, kinematic models have dominated ADT modeling, especially in MPCs, at the expense of reduced prediction accuracy. In this work, we propose an approach using Gaussian Process Regression (GPR) to learn the sideslip angle of the vehicle, which is identified as the primary contributor to the reduced accuracy of kinematic models. The learned GPR function is augmented into the kinematic model to form a gray-box model that aims to reduce the gap to dynamic models. We show that the gray-box model can predict the sideslip angle and, consequently, the vehicle's lateral velocity, thereby improving the MPC's prediction performance. The resulting gray-box MPC is compared against two white-box MPCs in a simulation environment. The results indicate an improvement in terms of maximum lateral tracking error from over 2 m to 0.56 m.