差分驱动AGV非线性回归模型验证精度极差问题求助

训练/验证精度差异极大的核心原因 #

1. 训练脚本输入赋值错误
   训练代码里right = rpmLeft; left = rpmLeft;是明显笔误，等于把左右轮输入都设成了左轮的RPM，模型实际学到的是「单轮（左轮）驱动」的输出关系，但验证时用的是正确的左右轮输入（右轮500、左轮0），输入逻辑完全不匹配，必然导致验证精度崩盘。

2. 训练数据覆盖范围极端狭窄
   训练集仅用了「右轮0、左轮410」这一种单侧驱动工况，模型只能拟合这单一场景下的非线性特性，完全没接触过「右轮驱动、左轮停转」的反向工况。而实际AGV的左右轮大概率存在机械/电气不对称（比如电机扭矩差异、传动间隙、负载偏置），反向驱动时系统特性和训练场景差异极大，模型根本没能力泛化。

3. 模型复杂度与数据量不匹配
   你用了idGaussianProcess+idWaveletNetwork的组合模型，再加上较高的阶数设置，这种复杂模型在仅单一工况的小数据下很容易过拟合——把训练数据里的噪声和特定场景的偶然特性当成了系统普遍规律，换个场景就完全失效。

提升精度的具体措施 #

1. 先修正训练脚本的致命错误 #

把训练代码里的输入赋值改成正确的对应关系：

% 原错误代码
right = rpmLeft;
left = rpmLeft;

% 修改后
right = rpmRight;
left = rpmLeft;

2. 大幅扩充训练数据的覆盖范围 #

• 加入对称工况数据：同时采集「右轮410、左轮0」「右轮0、左轮410」的阶跃响应，让模型学习左右侧驱动的非线性特性。
• 补充多样化工况：比如左右轮同速（直线运动）、不同差值的转速（不同转向半径）、不同幅值的转速（比如200RPM、300RPM、500RPM），覆盖AGV的主要运行区间。
• 确保数据采集条件一致：训练和验证时的负载、地面摩擦、环境尽量相同，避免外部因素导致系统特性偏移。

3. 优化模型结构与训练策略 #

• 先从简单模型开始尝试：比如先用单一的idWaveletNetwork或者idSigmoidNetwork，避免复杂组合模型带来的过拟合风险。
• 降低模型阶数：把Orders里的线性阶数从[2,2;2,2]降到[1,1;1,1]，减少模型参数数量，提升泛化能力。
• 加入正则化抑制过拟合：

  opt = nlarxOptions('Regularization', 'L2', 'RegularizationFactor', 0.1);
  sys = nlarx(data_est, Orders, NL, opt);
  

4. 数据预处理优化 #

• 对传感器数据做低通滤波：如果横向偏差、姿态角有高频噪声，用lowpass函数滤波后再训练，减少噪声对模型的干扰。
• 确认时间步长一致性：检查训练集和验证集的采样时间都是0.008s，避免时间轴不匹配导致的预测误差。

内容的提问来源于stack exchange，提问作者doublesobig