在高速度越野自主驾驶中，精确的闭环控制至关重要，尤其是在不断变化的地形中。最近的前向运动动力学预测模型为从通用模型到特定平台的专业化提供了有希望的路径。然而，有效的专业化仍然具有挑战性，因为它通常需要大量的真实世界数据，且适应于某一环境的模型可能会过拟合于特定的地形或驾驶模式。\texttt{OptCar}（优化车辆）提出了一种方法，旨在弥补通用模型与专业模型之间的差距，同时优化特定车辆的性能。\texttt{OptCar}引入了一个历史条件动态适应模块，将最近的状态-动作观察编码为动态上下文令牌，然后利用有限的真实数据和针对特定环境的系统识别生成的合成回放对通用模型进行微调。\texttt{OptCar}在三个地形和一个分布外的推车任务上的闭环模型预测控制实验中表现出显著的提升，尤其是在6 m/s的最高速度下，此时滑移主导了跟踪误差。在植被和泥土等滑移多样性最大的地形上，\texttt{OptCar}相较于微调的AnyCar基线，6 m/s的轨迹跟踪误差降低了约55%，并且即使在未见的推车载荷改变动力学时，依然保持最高的准确性。仅用每种地形5分钟的真实数据，\texttt{OptCar}在道路上与训练30分钟道路数据的专业模型相竞争，并且在地形变化时表现出更大的优势。
博主点评： 该研究展示了高速度自主驾驶领域中通用模型向特定环境适应的巨大潜力。通过历史条件动态适应模块，\texttt{OptCar}有效利用有限的数据，显著提高了跟踪精度。未来的研究可以进一步探索如何在更复杂的环境中保持这种优越性能。