两栖环境下自主地面车辆实时水动力学估计的几何感知代理模型

Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments

在浅水或洪水易发地形中运行的自主地面车辆，需要能够考虑流体动力的动态模型。然而，当前可用的仿真与规划工具要么缺乏物理保真度，要么计算成本过高而无法实时运行。本研究提出了一种基于表面神经网络的替代模型，通过以实时速率预测几何解析的流体动力来弥合这一差距，该模型完全基于来自两个几何结构不同车辆的高保真CFD数据进行训练。车辆特定的有符号距离场（SDF）为每个表面提供了浸没深度输入，使模型能够解析载荷随车辆几何形状、水深和水流方向的变化。在保留的CFD数据上，该替代模型实现了纵向力对称平均绝对百分比误差（sMAPE）为13%，垂直力sMAPE为3-12%，推理速度低于每样本0.9毫秒。为评估模型在实际条件下的表现，采用了全尺寸车辆在不同浸没深度下的涉水试验数据。以运动捕捉导出的运动学参数作为替代模型的输入，对预测结果进行测试，以复现已知的力、速度与水深之间的物理关系。预测的阻力遵循速度二次方标度关系（R² ≥ 0.97），浮力截距与水深呈线性标度关系（R² = 0.973）。这两种关系均未在模型训练损失中进行编码，而是通过逐表面架构对独立预测的表面力进行求和而自然涌现。最终形成的框架为将基于物理的流体动力学嵌入自主地面车辆在水陆两栖环境中依赖的仿真与规划循环中提供了一条可行路径。