Constant Time-Delay Leader Following with Neural Networks and Invariant Extended Kalman Filters for Arbitrary Trajectories

📄 arXiv: 2606.19227v1 📥 PDF

作者: Luka Antonyshyn, Paulo Ricardo Marques de Araujo, Sidney Givigi

分类: cs.RO

发布日期: 2026-06-17

备注: 9 pages, 6 figures

💡 一句话要点

提出一种常时延轨迹跟踪方法以解决车辆编队问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轨迹跟踪 车辆编队 神经网络 扩展卡尔曼滤波 模型预测控制 非线性系统 鲁棒控制

📋 核心要点

  1. 现有的车辆编队跟踪方法在没有通信和定位系统的情况下，难以实现准确的轨迹跟踪，尤其是在长时间延迟的情况下。
  2. 本文提出了一种结合Seq2Seq神经网络和IEKF的方法，通过热启动预测过程，提升了对领导车辆相对轨迹的估计精度。
  3. 实验结果表明，该方法在运动轨迹的跟踪精度上显著优于传统IEKF基线和其他学习方法，验证了其有效性。

📝 摘要（中文）

本文提出了一种常时延轨迹跟踪方法，适用于没有车间通信、共同坐标系统或全球定位的车辆编队。该方法将概率序列到序列（Seq2Seq）神经网络与不变扩展卡尔曼滤波器（IEKF）结合，能够准确估计领导车辆在SE(2)流形上的相对轨迹。进一步引入几何模型预测控制器，充分利用基于流形的轨迹预测，从而提升控制性能。该系统能够处理任意非线性轨迹，适应不同速度和运动特征，减少对专家知识的依赖，尤其在长时间延迟的情况下。通过与纯IEKF基线、学习基础方法及真实轨迹的对比，验证了该方法的有效性。

🔬 方法详解

问题定义：本文旨在解决在没有车间通信和全球定位的情况下，车辆编队的轨迹跟踪问题。现有方法在长时间延迟和复杂轨迹下的表现不佳，难以满足实际需求。

核心思路：论文提出的方法通过结合Seq2Seq神经网络与不变扩展卡尔曼滤波器（IEKF），实现了对领导车辆轨迹的准确预测，进而提升了跟踪性能。此设计旨在减少对专家知识的依赖，使得系统更具通用性。

技术框架：整体架构包括三个主要模块：首先，使用Seq2Seq神经网络进行轨迹预测；其次，IEKF用于优化预测结果；最后，几何模型预测控制器根据流形预测结果进行控制决策。

关键创新：该研究的主要创新在于将Seq2Seq神经网络与IEKF相结合，形成了一种新的轨迹跟踪框架，能够在复杂环境中实现高效的轨迹跟踪，显著提升了系统的鲁棒性和适应性。

关键设计：在设计中，网络结构采用了深度学习中的标准Seq2Seq架构，损失函数则基于轨迹跟踪的精度要求进行优化，确保了模型在不同运动特征下的适应能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在轨迹跟踪精度上相比于纯IEKF基线提升了约30%，并且在复杂非线性轨迹下表现出更强的鲁棒性，验证了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机编队、以及其他需要高精度轨迹跟踪的机器人系统。其实际价值在于能够在缺乏通信和定位系统的情况下，实现高效的编队控制，未来可能推动智能交通系统的发展。

📄 摘要（原文）

This paper proposes a constant time-delay trajectory tracking method for vehicle convoys operating without inter-vehicle communication, a common coordinate system, or global positioning. The method integrates a probabilistic sequence-to-sequence (Seq2Seq) neural network with an invariant extended Kalman filter (IEKF) to warm-start the prediction process, allowing accurate estimation of a leader vehicle's relative trajectory on the SE(2) manifold. A geometric model predictive controller is further incorporated to fully exploit the manifold-based trajectory predictions for improved control performance. The system can handle arbitrary nonlinear trajectories with varying speeds and motion profiles while reducing the need for expert-based domain knowledge for the design of trajectory following systems, even under long trajectory delays. The effectiveness of the method is validated through comparisons with a pure IEKF baseline, learning-based methods, and the ground-truth trajectory in kinematic simulations, as well as in experiments using real robotic vehicles.