A Neural Network Based Teleoperation for Remote Controlled Vehicles
作者: Ning Ding, Azim Eskandarian
分类: cs.RO, cs.HC
发布日期: 2026-08-11
💡 一句话要点
提出单边遥操作框架以解决车辆远程控制中的延迟和不确定性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 遥操作 波变量 径向基函数网络 车辆控制 鲁棒性 实时适应 边缘计算
📋 核心要点
- 现有的遥操作方法在面对通信延迟和环境干扰时表现不佳，导致车辆控制的稳定性和准确性受到影响。
- 本文提出了一种单边遥操作框架，结合波变量方法和自适应径向基函数网络，以应对车辆特定的不确定性和延迟问题。
- 实验结果表明，RBFN在应对未建模干扰时表现出更高的鲁棒性，并且执行时间显著低于传统的模型预测控制方法。
📝 摘要（中文）
直接遥操作车辆面临通信延迟和操作员无法感知未建模环境干扰（如气动阻力、倾斜角度）等关键技术瓶颈。为解决这些挑战，本文提出了一种定制的单边遥操作框架。该系统集成了波变量（WV）方法，以被动方式保证在随机延迟下的稳定性，并采用自适应径向基函数网络（RBFN）主动补偿车辆特定的不确定性。与现有的WV-神经网络架构不同，本框架针对车辆的纵向和横向动态特性设计了解耦的自适应法则。此外，相较于模型重的预测控制器，模型无关的RBFN能够快速在线适应，且计算开销较小。通过与PID、LQR、MPC和NMPC的仿真基准测试，RBFN在应对未建模干扰时表现出更强的鲁棒性，同时执行时间比MPC和NMPC少几个数量级，适合资源受限的车辆边缘计算。最后，使用1/10比例的车辆在4G网络下进行的硬件在环实验验证了系统的实际可行性、安全性和在物理道路不确定性下的稳健轨迹跟踪。
🔬 方法详解
问题定义：本文旨在解决遥操作车辆时由于通信延迟和环境干扰导致的控制不稳定性问题。现有方法在处理高度非线性的轮胎-道路动态和未建模干扰时存在显著不足。
核心思路：提出的单边遥操作框架通过集成波变量（WV）方法和自适应径向基函数网络（RBFN），实现了在随机延迟下的稳定性保障和车辆特定不确定性的主动补偿。
技术框架：该框架主要包括两个模块：首先，使用WV方法确保在存在延迟的情况下系统的被动稳定性；其次，利用RBFN进行实时的主动调整，以适应车辆的动态特性。
关键创新：本研究的创新点在于设计了针对车辆纵向和横向动态的解耦自适应法则，与现有的WV-神经网络架构相比，能够更有效地处理车辆特定的不确定性。
关键设计：RBFN的网络结构经过优化，能够快速适应不同的环境变化，且在损失函数的设计上考虑了车辆动态的非线性特性，确保了实时性能和计算效率。
🖼️ 关键图片
📊 实验亮点
实验结果显示，RBFN在应对未建模干扰时的鲁棒性显著高于PID、LQR、MPC和NMPC等传统控制方法，且执行时间比MPC和NMPC减少了几个数量级，证明了其在资源受限环境中的优越性。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、远程操控无人机和其他远程控制车辆。通过提高遥操作系统的鲁棒性和实时性，能够在复杂和动态的环境中实现更安全和高效的操作，具有重要的实际价值和广泛的市场前景。
📄 摘要（原文）
Direct teleoperation of vehicles faces critical technical bottlenecks: communication latency and the operator's inability to physically perceive unmodeled environmental disturbances (e.g., aerodynamic drag, bank angles) coupled with highly nonlinear tire-road dynamics. To address these challenges, we propose a tailored unilateral teleoperation framework. The system integrates the Wave Variable (WV) approach to passively guarantee stability under stochastic delays, and an adaptive Radial Basis Function Network (RBFN) to actively compensate for vehicle-specific uncertainties. Unlike existing WV-neural network architectures designed for bilateral robotic arms, our framework features decoupled adaptive laws specifically designed for vehicle longitudinal and lateral dynamics. Furthermore, compared to model-heavy predictive controllers, the model-free RBFN offers rapid online adaptation without heavy computational overhead. Building upon our preliminary theoretical formulation, this brief paper presents comprehensive comparative analyses and real-world hardware validations. Simulation benchmarks against PID, LQR, MPC, and NMPC demonstrate that the RBFN achieves superior robustness against unmodeled disturbances while requiring orders of magnitude less execution time than MPC and NMPC, making it ideal for resource-constrained vehicle edge computing. Finally, hardware-in-the-loop experiments using a 1/10th scale vehicle over a 4G network validate the system's practical feasibility, safety, and robust trajectory tracking under physical road uncertainties.