論文の概要、ライセンス

# (参考訳) 自動運転車のリアルタイム最適軌道計画と機械学習によるラップタイムシミュレーション [全文訳有]

Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap Time Simulation Using Machine Learning ( http://arxiv.org/abs/2102.02315v1 )

ライセンス: CC BY 4.0
Sam Garlick and Andrew Bradley(参考訳) ドライバーレス車両の広範な開発は、モータースポーツの高速と激しい競争が技術開発を加速するためのテストベッドを提供する自律レース競争の形成をもたらしました。 自動運転車の特に課題は、目標の軌道を識別することである - あるいは、レーシングカーの場合、理想的なレースラインである。 レースラインを特定するための既存のアプローチの多くは、時間最適化ソリューションではないか、あるいは計算コストのかかるソリューション時間を持っているため、オンボード処理ハードウェアを使用したリアルタイムアプリケーションには適さない。 本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインを正確に予測する機械学習手法について述べる。 提案アルゴリズムは,従来の最適制御ラップタイムシミュレーションにより計算された多数の回路のレースラインを含むデータセットを用いて学習する,高密度なフィードフォワードニューラルネットワークである。 このネットワークは、平均絶対誤差+/-0.27mでレースラインを予測できるので、精度は人間のドライバーより優れており、自動運転車制御システムの他の部分と同等である。 システムは33ms以内の予測を生成し、最適なレースラインを見つける従来の方法の9000倍以上高速になります。 結果から,データ駆動型アプローチは従来の計算手法よりも,ほぼ最適なレースラインのリアルタイム生成に好適であることが示唆された。

The widespread development of driverless vehicles has led to the formation of autonomous racing competitions, where the high speeds and fierce rivalry in motorsport provide a testbed to accelerate technology development. A particular challenge for an autonomous vehicle is that of identifying a target trajectory - or in the case of a racing car, the ideal racing line. Many existing approaches to identifying the racing line are either not the time-optimal solutions, or have solution times which are computationally expensive, thus rendering them unsuitable for real-time application using on-board processing hardware. This paper describes a machine learning approach to generating an accurate prediction of the racing line in real-time on desktop processing hardware. The proposed algorithm is a dense feed-forward neural network, trained using a dataset comprising racing lines for a large number of circuits calculated via a traditional optimal control lap time simulation. The network is capable of predicting the racing line with a mean absolute error of +/-0.27m, meaning that the accuracy outperforms a human driver, and is comparable to other parts of the autonomous vehicle control system. The system generates predictions within 33ms, making it over 9,000 times faster than traditional methods of finding the optimal racing line. Results suggest that a data-driven approach may therefore be favourable for real-time generation of near-optimal racing lines than traditional computational methods.
公開日: Wed, 3 Feb 2021 22:34:22 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Real-Time Optimal Trajectory Planning for リアルタイム最適軌道計画法 0.84
Autonomous Vehicles and Lap Time Simulation 自動運転車とラップタイムシミュレーション 0.80
Using Machine Learning S. Garlicka and A. Bradleyb* 機械学習の利用 S. Garlicka と A. Bradleyb* 0.87
1 2 0 2 b e F 5 1 2 0 2 b e F 5 0.85
] O R . s c [ 2 v 5 1 3 2 0 . ] O R。 s c [ 2 v 5 1 3 2 0 . 0.80
2 0 1 2 : v i X r a 2 0 1 2 : v i X r a 0.85
aDepartment of Computer Science, The University of Manchester, Manchester, M13 9PL, UK bAutonomous Driving Research Group, School of Engineering, Computing & Mathematics, Oxford Brookes University, Oxford, OX33 1HX, UK Abstract The widespread development of driverless vehicles has led to the formation of autonomous racing competitions, where the high speeds and fierce rivalry in motorsport provide a testbed to accelerate technology development. aDepartment of Computer Science, The University of Manchester, Manchester, M13 9PL, UK bAutonomous Driving Research Group, School of Engineering, Computing & Mathematics, Oxford Brookes University, Oxford, OX33 1HX, UK ドライバーレス車両の広範な開発は、自動運転レースの競争を招き、モータースポーツのハイスピードと激しい競争が技術開発を加速するためのテストベッドを提供する。 0.85
A particular challenge for an autonomous vehicle is that of identifying a target trajectory - or in the case of a racing car, the ideal racing line. 自動運転車の特に課題は、目標の軌道を識別することである - あるいは、レーシングカーの場合、理想的なレースラインである。 0.76
Many existing approaches to identifying the racing line are either not the time-optimal solutions, or have solution times which are computationally expensive, thus rendering them unsuitable for real-time application using on-board processing hardware. レースラインを特定するための既存のアプローチの多くは、時間最適化ソリューションではないか、あるいは計算コストのかかるソリューション時間を持っているため、オンボード処理ハードウェアを使用したリアルタイムアプリケーションには適さない。 0.72
This paper describes a machine learning approach to generating an accurate prediction of the racing line in real-time on desktop processing hardware. 本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインを正確に予測する機械学習手法について述べる。 0.84
The proposed algorithm is a dense feed-forward neural network, trained using a dataset comprising racing lines for a large number of circuits calculated via a traditional optimal control lap time simulation. 提案アルゴリズムは,従来の最適制御ラップタイムシミュレーションにより計算された多数の回路のレースラインを含むデータセットを用いて学習する,高密度なフィードフォワードニューラルネットワークである。 0.84
The network is capable of predicting the racing line with a mean absolute error of ±0.27m, meaning that the accuracy outperforms a human driver, and is comparable to other parts of the autonomous vehicle control system. このネットワークは、平均絶対誤差 ±0.27m でレースラインを予測できるので、精度は人間のドライバーより優れており、自動運転車制御システムの他の部分と同等である。 0.82
The system generates predictions within 33ms, making it over 9,000 times faster than traditional methods of finding the optimal racing line. システムは33ms以内の予測を生成し、最適なレースラインを見つける従来の方法の9000倍以上高速になります。 0.73
Results suggest that a data-driven approach may therefore be favourable for real-time generation of nearoptimal racing lines than traditional computational methods. 結果から,データ駆動型アプローチは従来の計算手法よりも,近似レースラインのリアルタイム生成に好適であることが示唆された。 0.67
Keywords: Autonomous racing vehicle, Lap time simulation, Optimal racing line, Trajectory planning, Neural network, Machine learning. キーワード:自動運転車、ラップタイムシミュレーション、最適レースライン、軌道計画、ニューラルネットワーク、機械学習。 0.72
* Corresponding author. E-mail: abradley@brookes.ac. uk ※対応作家。 メール: abradley@brookes.ac. uk 0.66
1 1 0.85
英語(論文から抽出)日本語訳スコア
1 Introduction The widespread development of Autonomous Vehicles (AVs) has the potential to save many lives since the overwhelming majority of road accidents are caused by human error (NHTSA, 2015). 1 導入 自律走行車(AV)の広範な開発は、道路事故の圧倒的多数がヒューマンエラーによって引き起こされたため、多くの命を救う可能性がある(NHTSA, 2015)。 0.72
This has led to the advent of autonomous racing, where the fierce competition in motorsport, coupled with the sandboxed environment of the racetrack provides the motivation and ideal testbed to rapidly test, develop and enhance new technology (Skeete, 2019). これは、モータースポーツの激しい競争、レーストラックのサンドボックス環境と相まって、新しい技術を迅速にテスト、開発、強化するための動機と理想的なテストベッドを提供する自律レースの出現をもたらしました(Skeete、2019)。 0.72
Of particular interest is the development of autonomous motorsport, where the vehicle may not have a human driver - indeed, it may not even be possible for a human to drive the vehicle (Betz et al., 2019). 特に興味深いのは、自動運転車が人間のドライバーを持っていない可能性がある自律型モータースポーツの開発です - 確かに、人間が車を運転することは不可能かもしれません(Betz et al.、2019)。
訳抜け防止モード: 特に興味深いのは、自動運転車が人間のドライバーを持っていない可能性がある自律型モータースポーツの開発です。 あり得ないかもしれません 車両を運転する人間(Betz et al ., 2019)。
0.79
For this application, the vehicle must be able to map out the environment, and plan the trajectory itself - thus it is essential for the vehicle to be capable of computing the target path which it will then follow. このアプリケーションでは、車両は環境をマッピングし、軌道自体を計画することができなければなりません。したがって、車両が従うターゲットパスを計算できることが不可欠です。 0.67
Lap time simulation is commonly employed in motorsport as a cost-effective, efficient tool to evaluate the effect that adjustments in vehicle setup will have upon the resulting lap performance and to use this information to run optimisations to find the ‘ideal’ setup with which to begin real-world testing. ラップタイムシミュレーションは、コスト効率のよい効率的なツールとしてモータースポーツで一般的に使われており、車両の設定の調整がラップのパフォーマンスに与える影響を評価し、この情報を使って最適化を実行し、現実世界のテストを開始するための理想的なセットアップを見つける。 0.73
Unfortunately, differences in circuit speed profiles, corner radii and other conditions at different circuits result in the ‘ideal’ setup only being suited to a single track, and thus an individual optimisation of the vehicle parameters is required for each circuit. 残念なことに、異なる回路における回路速度プロファイル、コーナー半径、その他の条件の違いは、‘理想’設定は単一のトラックにのみ適合するので、各回路に個別の車両パラメータの最適化が必要である。 0.82
The majority of lap-time simulators in use by race teams are based around Quasi-Steady-State (QSS) approaches (Dal Bianco et al., 2018) - where a vehicle model follows a target path (typically discretised into a series of curves of varying radii) at the highest possible speed, obtained through iteration. レースチームが使用するラップタイムシミュレータの大部分は、準定常状態(qss)アプローチ(dal bianco et al., 2018)に基づいており、車両モデルがターゲットパス(通常、様々なradiiの一連の曲線に区別される)を、イテレーションによって得られる最高速度で追従している。 0.77
In more advanced cases this method can be further extended to incorporate transient vehicle behaviour (Völkl et al., 2013). より高度な場合、この方法は過渡的な車両の挙動を組み込むようにさらに拡張することができる(Völkl et al., 2013)。 0.71
The QSS approach requires pre-existing knowledge of a target path, which is usually obtained from logged data of the line taken on the fastest lap driven by a professional racing driver (Colunga and Bradley, 2014) - however, this assumes that the driver took the correct line in the first place, and indeed that it is possible for a human to physically drive the vehicle on the circuit in advance of the race. QSSのアプローチでは、通常、プロのレーシングドライバー(コランガとブラッドリー、2014年)が運転する最速ラップのラインのログデータから得られる目標経路に関する事前知識が必要であるが、これはそもそもドライバーが正しいラインをとっており、実際に人間がレースの前にサーキット上で物理的に車両を運転することは可能であると仮定している。 0.69
Conversely, for an AV, it is essential for the control system to be able to plan the trajectory that the vehicle should take - ideally in real-time, such that the path can be planned without prior processing. 逆に、AVのためには、制御システムが車両が取るべき軌道を計画できることが不可欠です - 理想的には、パスが事前に処理せずに計画することができるように、リアルタイムで。 0.74
This enables the AV to respond to varying traffic conditions - and in an autonomous racing vehicle, to plan a new trajectory for each subsequent lap, or in response to changing track conditions (Kapania et al., 2016). これにより、AVは様々な交通条件に対応することができ、自動走行車では、後続のラップごとに新しい軌道を計画したり、軌道条件の変更に対応する(Kapania et al., 2016)。 0.74
This poses a significant challenge - the high speeds involved in racing demand that the trajectory must be planned rapidly, the impact of vehicle mass upon lap time (Patil et al., 2016) and power requirements dictate that this must be done using the minimum possible computational hardware, and the planned trajectory must be the solution which accurately follows the circuit in the minimum possible time. これは重要な課題である - 軌道が迅速に計画されなければならないというレース需要に関連する高速、ラップタイム(パティル等)に対する車両質量の影響、および電力要件は、これが可能な限り最小限の計算ハードウェアを使用して行う必要があることを指示し、計画された軌道は、最小の時間で回路を正確に追従するソリューションでなければなりません。 0.74
Traditionally, the more rapid approaches to generating a target path tend to be purely based upon the geometry of the circuit, generating an approximation that does not offer any guarantee that it will be the time-optimal solution (Kapania et al., 2016). 伝統的に、目標経路を生成するためのより迅速なアプローチは、純粋に回路の幾何に基づいており、それが時間最適解であることを保証しない近似を生成する傾向がある(Kapania et al., 2016)。 0.78
Many of the existing algorithms for finding the optimal racing line are based around solving multiple simulations of a vehicle model for a wide range of possible trajectories, before converging upon the path which results in the minimum time - thus the iterative or optimisation process requires considerable computational resources (Lenzo and Rossi, 2020). 最適なレースラインを見つけるための既存のアルゴリズムの多くは、最小限の時間をもたらす経路に収束する前に、広範囲の可能な軌道に対して車両モデルの複数のシミュレーションを解き、反復的あるいは最適化のプロセスにはかなりの計算資源を必要とする(lenzo and rossi, 2020)。 0.90
This can be time-consuming for traditional lap time simulation applications and renders these approaches largely unsuitable for real-time applications. 従来のラップタイムシミュレーションアプリケーションには時間がかかり、これらのアプローチはリアルタイムアプリケーションには適さない。 0.75
The ability to expedite the process of generating an accurate trajectory, such that it will run in real-time, would present a significant advantage for an autonomous racing vehicle. リアルタイムに走るような正確な軌道を生成するプロセスを迅速化する能力は、自律走行車両にとって大きな利点をもたらすでしょう。 0.71
In addition, the ability to rapidly ascertain the ideal racing line for a certain vehicle on a particular circuit would be beneficial for use in 加えて、特定のサーキット上の特定の車両の理想的なレースラインを迅速に確認する能力は、使用に有用である。 0.79
2 2 0.85
英語(論文から抽出)日本語訳スコア
traditional lap time simulation applications, or as a precalculation for the more accurate and timeconsuming optimisations. 従来のラップタイムシミュレーションアプリケーション、あるいはより正確で時間を要する最適化の事前計算として。 0.75
In other fields, model-based machine learning (ML) techniques are commonly used to expedite the process of solving a problem by using extensive training data to generate extremely rapid predictions of the solution, using a trained Artificial Neural Network (ANN). 他の分野では、モデルベースの機械学習(ML)技術を使用して、トレーニングされた人工ニューラルネットワーク(ANN)を使用して、ソリューションの非常に迅速な予測を生成するために広範なトレーニングデータを使用して問題を解決するプロセスを迅速化します。 0.71
These approaches have been shown to solve difficult problems not only quickly, but with a high level of accuracy in the solution (AlQuraishi, 2019). これらのアプローチは、難しい問題を迅速に解決するだけでなく、ソリューションで高い精度で解決することが示されています(AlQuraishi、2019)。 0.71
Redmon and Farhadi (2018)’s YOLO object classification algorithm is commonly employed in autonomous racing vehicles, reducing the time taken to process a camera image to a few milliseconds, allowing accurate object identification in real-time at high frame rates - based upon a neural network trained upon several thousand manually labelled images (Culley et al., 2020). Redmon and Farhadi (2018)のYOLOオブジェクト分類アルゴリズムは、自動運転車で一般的に採用されており、カメラ画像を処理するのに要する時間を数ミリ秒に短縮し、数千の手動ラベル付き画像(Culley et al., 2020)で訓練されたニューラルネットワークに基づいて、高いフレームレートでリアルタイムで正確なオブジェクト識別を可能にします。 0.78
ML techniques have been shown to offer vast increases in speed on traditionally computationally expensive problems, with a high degree of accuracy. ML技術は、従来の計算コストの高い問題に対して、高い精度で大幅な速度向上をもたらすことが示されている。 0.70
Essentially the ML approach to this type of problem is not one of computationally solving the problem, but rather of generating an accurate prediction of the solution to the problem, based upon previously having ‘seen’ (i.e. 本質的には、この種の問題に対するMLアプローチは、問題を計算的に解くのではなく、以前に「見る」ことに基づいて、問題に対する解決策の正確な予測を生成するものです(すなわち。 0.74
been trained upon) many solutions to similar problems. 同様の問題に対する多くの解決策を訓練しました 0.66
However, there have been seldom few attempts to apply the potential speed and accuracy enhancements offered by ML techniques to the task of generating the target racing line. しかし、ML技術によって提供される潜在的な速度と精度の向上をターゲットのレースラインを生成するタスクに適用する試みはほとんどありません。 0.78
This paper presents an ANN approach to generating an accurate prediction of the ideal racing line, aimed at reducing the calculation time by several orders of magnitude. 本稿では, 計算時間を数桁削減することを目的とした, 理想レースラインの正確な予測を生成する ann 手法を提案する。 0.82
The network can be trained on data from any existing method of optimal trajectory generation (or a human driver), thus facilitating predictions based upon highly complex models to be made within milliseconds. ネットワークは、既存の最適な軌道生成方法(または人間のドライバ)のデータに基づいてトレーニングすることができ、非常に複雑なモデルに基づく予測をミリ秒以内で行うことができる。 0.80
This enables the target path to be calculated much more rapidly than with traditional methods - thus reducing computational burden for traditional lap time simulators, and easily facilitating real-time application in an autonomous racing vehicle on hardware that can be carried in the vehicle. これにより、ターゲットパスを従来の方法よりもはるかに高速に計算することが可能となり、従来のラップタイムシミュレータの計算負荷を低減し、車両に搭載可能なハードウェア上での自動運転車両のリアルタイム適用を容易にする。 0.83
This original approach provides an unprecedented reduction in the time taken to generate the ideal racing line, with minimal loss in accuracy of the solution - and represents a transformational contribution to lap time simulation and autonomous motorsport. このアプローチは、理想的なレースラインを生成するのに要する時間を前代未聞に削減し、解の精度を最小限に抑え、ラップタイムシミュレーションと自律モータースポーツへの変換的貢献を表している。 0.68
1.1 Related Work Simple approaches to finding a target path are commonly based around following the shortest path or the Minimum Curvature Path (MCP). 1.1 対象経路を見つけるための単純なアプローチは、最も短い経路や最小曲率経路(MCP)に追従するのが一般的である。 0.81
Heilmeier et al. Heilmeierら。 0.57
(2019) were able to calculate the MCP in around 18 seconds for the Roborace autonomous racing car. 2019年)は、Roborace自動運転レーシングカーの約18秒でMCPを計算することができました。 0.71
However, whilst the MCP can be calculated rapidly, it merely offers an approximation of a racing line - it does not offer any guarantee that the proposed line will result in a fast lap time (Kapania et al., 2016) - and includes no consideration of the peculiarities of different vehicles. しかし、MCPは迅速に計算できますが、単にレースラインの近似を提供するだけです - それは提案されたラインが速いラップタイム(Kapania et al.、2016)をもたらすという保証を提供していません - 異なる車両の特異性を考慮していません。 0.76
Where a higher degree of accuracy in the resulting racing line (thus the consequent lap time and resulting vehicle setup) is required this approach is therefore insufficient. 結果のレースラインにおける高い精度(従ってラップタイムと結果の車両設定)が要求される場合、このアプローチは不十分である。 0.73
The majority of existing methods of calculating a time-optimal solution are based around the freetrajectory, Optimal Control Problem (OCP) approach to lap time simulation - where the simulator generates the driver commands for a dynamic model of the vehicle to follow any path within the circuit bounds. 時間最適解を計算する既存の方法の大多数は、ラップタイムシミュレーションに対する最適制御問題(OCP)アプローチであるフリートラジェクトリ(Freetrajectory)に基づいており、そこでシミュレータは、回路境界内の任意の経路を追従する車両のダイナミックモデルのためのドライバコマンドを生成する。 0.85
The vehicle throttle, brake and steer inputs are typically optimised at points on a discretised circuit such that the resulting velocity and trajectory result in the minimum time (Casanova, 2000) - thus delivering the optimal racing line. 車両のスロットル、ブレーキ、ステア入力は、典型的には離散化された回路上の点において最適化され、結果として得られる速度と軌道は最小時間となる(casanova, 2000)。 0.74
This approach enables complex, fully transient models of the vehicle to be used (Kelly, 2008), and allows the path to be adjusted in response to a change in vehicle parameters (Dal Bianco et al., 2018) - thus resulting in a highly-accurate, vehicle-specific racing line. このアプローチは、車両の複雑で完全な過渡的なモデルを使用することを可能にし(kelly, 2008)、車両パラメータの変化に応じて経路を調整することができる(dal bianco et al., 2018)。
訳抜け防止モード: このアプローチは、車両の複雑で完全な過渡モデルの使用を可能にする(kelly, 2008)。 そして、車両パラメータの変化に応じて経路を調整することができる(dal bianco et al ., 2018)。 結果として、高度に正確な車両 - 特定のレースラインとなる。
0.77
However, due to the complexity of solving a trajectory of the vehicle model for every discretisation point, the solution time for the OCP approach typically takes considerably longer than the lap time (Lenzo and Rossi, 2020) - with simulators comprising relatively simplistic vehicle models taking around 15 minutes to solve a lap しかしながら、離散化点ごとに車両モデルの軌道を解くのが複雑であるため、ocpアプローチの解法時間は一般的にラップタイム(lenzo and rossi, 2020)よりもかなり時間がかかる。
訳抜け防止モード: しかし、複雑さのためである。 離散化点ごとに車両モデルの軌跡を解く OCPアプローチの解時間は通常ラップ時間よりもかなり長い (Lenzo and Rossi , 2020 ) - 比較的単純な車両モデルからなるシミュレーターでラップを解くのに15分ほどかかる。
0.76
3 3 0.85
英語(論文から抽出)日本語訳スコア
(Brayshaw and Harrison, 2005; Perantoni and Limebeer, 2014). (Brayshaw and Harrison, 2005; Perantoni and Limebeer, 2014)。 0.80
Lot and Dal Bianco (2015) solved a lap using a more complex model with 14 Degrees of Freedom (DoF) in approximately 28 minutes - though it should be noted that the accuracy of the model was not greatly improved over a simplified 10-DoF model - taking 16 minutes to solve. Lot and Dal Bianco (2015)は、約28分で14度自由度(DoF)のより複雑なモデルを使用してラップを解決しました。
訳抜け防止モード: Lot and Dal Bianco (2015)は、約28分で14度自由度(DoF)のより複雑なモデルを使用してラップを解決しました。 解くのに16分かかる
0.48
The free-trajectory element (required to find the racing line) means that most approaches take considerably longer to solve than a lap time simulator which follows a predetermined path (Veneri and Massaro, 2019). フリー軌道要素(レースラインを見つけるために必要)は、ほとんどのアプローチが所定のパス(VeneriとMassaro、2019)に従うラップタイムシミュレータよりも解決にかなり時間がかかることを意味します。 0.75
While OCP approaches offer accurate, time-optimal solutions to the racing line, the computation times typically render them unsuitable for use in real-time applications. ocpアプローチはレースラインの正確な時間最適化ソリューションを提供するが、計算時間は通常、リアルタイムアプリケーションでの使用には適さない。 0.74
For application in an AV, it is necessary to perform these calculations in real-time or faster, on processing hardware that can be carried within the vehicle. AVに応用するには、車内に持ち込むことができる処理ハードウェア上で、これらの計算をリアルタイムまたはより高速に行う必要がある。 0.79
Jain and Moraro (2020) addressed this problem using Bayesian optimisation, resulting in the calculation of a racing line in under 3 minutes. Jain and Moraro (2020) はベイジアン最適化を用いてこの問題に対処し、3分以内のレースラインの計算を行った。 0.81
Though this enables rapid pre-computation of a new circuit after an initial sighting lap, it is not fast enough to calculate the subsequent lap whilst driving the previous at speed. これにより、最初の視認ラップ後に新しい回路を高速にプリ計算できるが、前回を高速で運転しながら続くラップを計算するのに十分ではない。 0.69
Christ et al. (2019) modelled a varying tyre-road friction coefficient around the Berlin Formula E circuit for the autonomous Roborace vehicle, simplifying the tyre model and using CasADi (Andersson et al., 2019) to reduce simulation time to under 2 minutes - though this is again slower than the lap time. キリストとアル。 (2019)は、自動走行車用のベルリン・フォーミュラE回路の周りに様々なタイヤ・ロード摩擦係数をモデル化し、タイヤモデルを単純化し、キャサディ(Andersson et al., 2019)を使用してシミュレーション時間を2分未満に短縮した。 0.72
Kapania et al. (2016) achieves quasi ‘real-time’ path planning using an iterative, two-step process (using the MCP as a pre-calculation) to generate a target path for an autonomous racing car within 26 seconds - i.e. カパニアとアル。 (2016)は、反復的な2段階のプロセス(MSPを前計算として使用)を用いて準「リアルタイム」経路計画を行い、26秒以内に自動運転車の目標経路を生成する。 0.72
faster than the lap time. ラップタイムより速い。 0.50
However, in order to achieve this rapid solution time the vehicle dynamic behaviour has been simplified to a bicycle model - thus resulting in an approximation of the racing line which (though generally accurate), exhibits several locations on the track where there is “a significant discrepancy on the order of several meters between the two-step algorithm’s trajectory and the other comparison trajectories” (Kapania et al., 2016). しかし、この迅速な解法時間を達成するために、車両の動的挙動は自転車モデルに単純化され、結果としてレースラインの近似が(一般的には正確である)、トラック上に「2段階のアルゴリズムの軌道と他の比較軌跡との間に数メートルの差がある」いくつかの位置を示す(Kapania et al., 2016)。 0.81
Other studies have turned to machine learning to generate the racing line for use in a driving simulation. 他の研究は、運転シミュレーションに使用するレースラインを生成するために機械学習に転換している。 0.81
Cardamone (2010) employed a genetic evolution ML technique to search for the ideal line by iteratively refining the target path (defined by a series of waypoints) thus obtaining the optimal trajectory for a specific circuit. Cardamone (2010) は、標的経路(一連の経路ポイントで定義される)を反復的に精製し、特定の回路の最適軌道を得ることにより、理想的な線を探索するために遺伝的進化ML技術を使用した。 0.67
The simple vehicle model used limits the accuracy of the generated line, although it offers a considerable improvement over the MCP. 単純な車両モデルでは生成したラインの精度が制限されるが、MPPよりも大幅に改善されている。 0.72
A similar technique was employed by Vesel (2015) who added a ‘healing’ sub-process to improve performance. 同様のテクニックがVesel (2015)によって採用され、パフォーマンス向上のために‘ヒーリング’サブプロセスが追加された。 0.61
Salem et al. Salem et al。 0.83
(2019) reported promising results by coupling evolutionary learning with a fuzzy-logic controller to refine the vehicle control inputs and racing line, resulting in a real-time controller which can drive the vehicle around the circuit based upon learnings from previous iterative experimentation. (2019) は, 車両制御入力とレースラインを改良するために, ファジィ論理制御器と進化学習を結合して, 従来の反復実験から学んだことに基づいて, 回路を駆動できるリアルタイム制御器を作成した。 0.81
Balaji et al. (2020) used an end-to-end RL approach in real-world experiments to optimise the control inputs for a real (1/18th scale) vehicle from camera imagery. バラジなど。 (2020)は、実物実験において、カメラ画像から実物(1/18スケール)車両の制御入力を最適化するために、エンドツーエンドのRLアプローチを使用した。
訳抜け防止モード: バラジなど。 (2020 ) 実世界実験におけるエンド・ツー・エンドRLアプローチ カメラ画像から実(1/18スケール)車両の制御入力を最適化する。
0.52
However, each of the approaches described above iteratively learns to drive a specific circuit - they are not designed to generate an ideal racing line for a new circuit upon which the algorithm has not been previously trained. しかし、上記の各アプローチは特定の回路の駆動を反復的に学習する - アルゴリズムが以前に訓練されていない新しい回路に対して理想的なレースラインを生成するように設計されていない。 0.84
For real-time application in previously-unseen territory, Fridman et al. 未確認領域におけるリアルタイムの応用については Fridman et al. 0.52
(2019) trained an end-to-end autonomous driving algorithm using 4.2 million video frames acquired from a Tesla - however, the majority of approaches for roadgoing applications are aimed at safely navigating the road environment, rather than generating a time-optimal path. 2019年)はTeslaから入手した4200万のビデオフレームを使用してエンドツーエンドの自動運転アルゴリズムを訓練しました。しかし、ロードゴーイングアプリケーションのためのアプローチの大部分は、時間最適の経路を生成するのではなく、道路環境を安全にナビゲートすることを目指しています。
訳抜け防止モード: しかし(2019年)はTeslaから入手した4200万のビデオフレームを使って、エンドツーエンドの自動運転アルゴリズムを訓練した。 道路利用のアプローチの大部分は 時間を生成するのではなく、道路環境を安全にナビゲート - 最適な経路。
0.60
In any case, end-to-end approaches typically generate the vehicle control inputs from camera footage (Tampuu et al., 2020) rather than a target path from track boundary information. いずれにせよ、エンドツーエンドアプローチは通常、トラック境界情報からターゲットパスではなく、カメラ映像(Tampuu et al., 2020)から車両制御入力を生成します。 0.73
Currently, there is no widespread conventional method of generating a highly accurate racing line for a previously-unseen circuit in real-time. 現在、従来より高精度な回路用レースラインをリアルタイムに生成する手法は普及していない。 0.76
ML techniques offer the potential to significantly reduce the solution time in many applications, and thus their application to the task of finding the ideal racing line offers the tantalising potential of being able to plan a racing line extremely rapidly with minimal loss of accuracy - thus facilitating use in the real-time application of an autonomous racing vehicle. ML技術は、多くのアプリケーションにおけるソリューション時間を大幅に短縮する可能性を提供し、そのため、理想的なレースラインを見つけるタスクへのそれらの応用は、正確さの最小限の損失でレースラインを極端に高速に計画できるという、魅力的な可能性を提供する。 0.80
4 4 0.85
英語(論文から抽出)日本語訳スコア
2 Material and Methods To facilitate extremely rapid generation of the racing line, this study employs a feed-forward ANN which has been pre-trained upon a dataset of racing lines for a variety of circuits. 2 材料と方法 レーシングラインの非常に急速な生成を促進するために、本研究は、様々な回路のためのレースラインのデータセットに事前に訓練されているフィードフォワードANNを採用しています。 0.71
This enables racing lines to be generated for previously-unseen circuits, based upon the trajectories found in the training data. これにより、トレーニングデータで見つかった軌道に基づいて、予め認識された回路でレースラインを生成することができる。 0.66
Typically, for an ANN to make accurate predictions, it must have been trained on a dataset that encompasses the entire range of features which may be found on the new, unseen problem. 通常、ANNが正確な予測を行うには、新しい目に見えない問題に見られる可能性のある機能の全範囲を包含するデータセットでトレーニングされた必要があります。 0.76
In order to achieve this, an extensive dataset was generated. これを実現するために、広範なデータセットが生成される。 0.72
Inner and outer boundaries were reconstructed for a large number of real circuits, which were then augmented to expand the dataset to contain over 6,000 circuits, which are split into 2.7 million individual track segments. 内部と外部の境界は、多数の実回路のために再構成され、データセットを拡張して6000以上の回路を含むようにし、それぞれ270万個のトラックセグメントに分割された。 0.78
An optimal racing line was generated for each circuit using an existing OCP approach to lap time simulation, thus completing the dataset. ラップタイムシミュレーションのための既存のOCPアプローチを用いて,各回路に対して最適なレースラインが生成され,データセットが完成する。 0.76
To prepare the dataset for use with the ANN, the circuit is split into smaller segments using the sliding window approach - thus enabling the network to learn the racing line for multiple sections of the track rather than an entire circuit. ANNで使用するデータセットを作成するために、スライディングウィンドウアプローチを使用して回路を小さなセグメントに分割することで、ネットワークは回路全体ではなく、トラックの複数のセクションのレースラインを学習することができる。 0.83
This enables the network to operate on circuits of any length, and generalise track sections across multiple circuits. これにより、ネットワークは任意の長さの回路上で動作し、複数の回路にまたがるトラックセクションを一般化することができる。 0.62
Once segmented, data describing the vehicle’s optimum position on track, and the surrounding circuit geometry were extracted for various waypoints around the lap, and these ‘features’ are then used to train the network, using the majority (86%) of the dataset. 一度セグメンテーションすると、トラック上の車両の最適な位置と周辺の回路形状を記述するデータが、ラップ周辺の様々なウェイポイントから抽出され、これらの「特徴」は、データセットの大多数(86%)を使用してネットワークのトレーニングに使用される。 0.79
Once trained, the ANN can then calculate the features for a new, previously-unseen circuit - thus creating a prediction of the racing line. 訓練されたANNは、それまで見つからなかった新しい回路の機能を計算できるため、レースラインの予測を作成できます。 0.67
The hyperparameters of the network were then tuned to improve the accuracy of the prediction, using a further 9% of the dataset. ネットワークのハイパーパラメータは、さらに9%のデータセットを使用して予測の精度を向上させるように調整された。 0.81
K-Fold analysis (Stone, 1974) was used for this purpose. K-Fold 解析 (Stone, 1974) はこの目的に用いられた。 0.85
Finally, the overall performance of the system is quantified by testing the generated racing lines against the remaining 5% of the dataset, which comprises circuits which have not previously been seen by the network. 最後に、生成されたレースラインを、ネットワークがこれまで見てきたことのない回路からなるデータセットの残りの5%に対してテストすることにより、システム全体の性能を定量化する。 0.71
A complete description of the methodology is outlined in the following subsections, and results are presented in section 3. 方法論の完全な説明は以下の節で概説され、結果は第3節で示される。 0.71
2.1 Training data generation In order for a neural network to generate a prediction, a large dataset is required to train the model. 2.1 トレーニングデータ生成 ニューラルネットワークが予測を生成するためには、モデルのトレーニングには大きなデータセットが必要である。 0.85
Since the objective of this study is to generate an ideal racing line when given information of the track boundaries, a training dataset is required which contains the inner and outer track boundaries, and the ideal racing line. 本研究の目的は、トラック境界に関する情報が与えられたときに理想的なレースラインを生成することであるので、内外トラック境界と理想的なレースラインを含むトレーニングデータセットが必要である。 0.85
A benefit of this technique is that there is no restriction on the method used to generate the optimal line used in the dataset - it could be taken from a detailed, high-order free-trajectory OCP method (such as that proposed by Lot and Dal Bianco (2015)), a human driver in a Driver-in-Loop simulator - in which case it would ‘learn’ the lines preferred by a particular driver) - or any other traditional method of acquiring the target racing line. このテクニックの利点は、データセットで使用される最適なラインを生成するのに使用される方法に制限がないことである - 詳細で高次なフリートラックのocp法(lot and dal bianco (2015) が提案しているような)、ドライバー・イン・ループシミュレータ内の人間ドライバー - 特定のドライバーが好むラインを「学習」する) - あるいは、目標のレースラインを取得するための他の伝統的な方法から取得することができる。 0.78
Prior to the generation of the target line in the training data, it was first necessary to recreate a large number of circuits. トレーニングデータに目標ラインを生成する前に、まずは多数の回路を再作成する必要があった。 0.67
Inner and outer boundaries were used for 82 real circuits from around the world, including several tracks from the Formula 1 calendar (60 manually generated, and 22 taken directly from TUMFTM (2020)). 内側と外側の境界は、フォーミュラ1カレンダーからのいくつかのトラック(手動生成60本、タンフトム(2020年)から直接22本)を含む、世界中の82の実際の回路で使用された。 0.69
As is common practice in ML studies (Culley et al., 2020), augmentation was used to expand the dataset to a total of 6058 circuits by scaling, flipping, and reversing the direction of travel for each track. ML研究の一般的な実践(Culley et al., 2020)と同様に、各トラックの移動方向のスケーリング、フリップ、反転によってデータセットを合計6058回路に拡張するために拡張が使用された。 0.78
Care was taken to ensure that there was an equal proportion of real circuits in the training and validation data, with a larger proportion of real circuits retained for final testing. トレーニングと検証データに実回路の割合が等しいことを保証するために注意が払われ、実回路の比率は最終試験のために保持された。 0.67
288 circuits (comprising 9 realworld, and, and 279 augmentations thereof) were used as testing data in order that the results demonstrate the performance of the network on a completely new, unseen circuit. 288個の回路(9つの現実世界と279個の拡張回路)をテストデータとして使用し、その結果、全く新しい未確認回路上でのネットワークの性能を実証した。 0.76
5 5 0.85
英語(論文から抽出)日本語訳スコア
To generate the optimal trajectory for each circuit in the dataset, the Global Race Trajectory Optimisation tool (TUMFTM, 2019) developed by Christ et al. データセット内の各回路に最適な軌道を生成するために、Christ et alが開発したGlobal Race Trajectory Optimizationツール(TUMFTM、2019)。 0.84
(2019) was selected, using the default parameters for the Roborace car vehicle. (2019)は、Roboraceの車両のデフォルトパラメータを用いて選択された。 0.85
It was desirable to demonstrate the ability of the ANN to provide predictions of a racing line generated by an OCP simulator, and therefore this method was chosen as it provides a balance between the accuracy of the generated line, and the time taken to calculate optimal paths for each of the individual circuits in the dataset. ANNがOCPシミュレータによって生成されたレーシングラインの予測を提供する能力を示すことが望ましいため、生成されたラインの精度とデータセット内の各個々の回路の最適な経路を計算するのに要する時間のバランスを提供するため、この方法が選択されました。 0.86
To expedite the time-consuming process of generating thousands of racing lines in the dataset, the workload was split across multiple different PCs with multi-core processors. データセット内の数千のレースラインを生成する時間のかかるプロセスを迅速にするために、ワークロードはマルチコアプロセッサで複数の異なるPCに分割されました。 0.67
However, it would have taken approximately two weeks to calculate the optimal line for each circuit consecutively on a single processor thread. しかし、各回路の最適ラインを1つのプロセッサスレッドで連続的に計算するのに約2週間を要した。 0.75
In order to further expand the training data (and provide several additional advantages), each circuit was split into a series of overlapping segments (or windows), meaning that the entire dataset contains over 2.7 million segments of different racetracks - complete with optimal racing lines for each segment. トレーニングデータをさらに拡張するために(さらにいくつかの利点を提供するために)、各回路は重複する一連のセグメント(またはウィンドウ)に分割され、データセット全体は異なるレーストラックの2.7百万のセグメントが含まれています。 0.83
The rationale and process behind this segmentation is outlined in section 2.2. このセグメンテーションの背後にある根拠とプロセスは、セクション2.2で概説されている。 0.52
The total size of the dataset required for accurate prediction of the ideal racing line was established experimentally, based upon a similar methodology to Roh et al. 理想的なレースラインの正確な予測に必要なデータセットの総サイズは、rohらと同様の手法に基づいて実験的に確立された。 0.75
(2019). All optimal trajectories were calculated assuming a vehicle width of zero - and thus the vehicle centre uses the full width of the track. (2019). すべての最適軌道は車両の幅が0と仮定して計算され、車両の中心は線路の全幅を使用する。 0.83
This enables removal of the vehicle width parameter from the training data - instead later accounting for it when the network predicts the target path, and thus facilitating adjustment of the vehicle width after the network has been trained. これにより、トレーニングデータから車両幅パラメータの除去が可能になり、ネットワークがターゲットパスを予測したときにその代わりに、ネットワークがトレーニングされた後に車両幅の調整が容易になります。 0.80
The complete dataset comprising inner and outer circuit boundaries, and optimal racing lines was divided into subsets in accordance with Table 1. 内側および外側の回路境界と最適レースラインからなる完全なデータセットを表1に従ってサブセットに分割した。 0.88
Dataset Training Data データセット トレーニングデータ 0.71
Validation Data Testing Data (Unseen) 検証データ テストデータ(見えない) 0.77
Total Real Augmented Total 66 総 実 増補 総 66 0.63
7 9 82 5168 7 9 82 5168 0.85
529 279 5976 529 279 5976 0.85
5234 536 288 5234 536 288 0.85
6058 Table 1. Number of circuits contained in each subset of the dataset 6058 表1。 データセットの各サブセットに含まれる回路の数 0.81
6 6 0.85
英語(論文から抽出)日本語訳スコア
2.2 Circuit Segmentation via sliding windows Several of the existing methods involve creating a series of lines segmenting the circuit and then calculating the location of ‘waypoints’ - or the position on these lines at which the vehicle trajectory intersects. 2.2 スライディングウィンドウによるサーキットセグメンテーション 既存の方法のいくつかは、サーキットをセグメンテーションし、次に「ウェイポイント」の位置を計算し、車両軌道が交差するこれらのライン上の位置を計算する。 0.79
The approach presented in this study divides the circuit with a series of lines (or Normals) perpendicular to the track centreline. この研究で提示されたアプローチは、軌道の中心線に垂直な一連の線(または正常線)で回路を分割する。 0.72
Whilst it is common practice (Botta et al., 2012; Casanova, 2000) to vary the spacing between the lines segmenting the circuit in order to reduce the resolution on straights (thereby reducing computational effort), the approach presented in this paper uses a fixed interval of 5 metres, which was found to provide a good representation of the racing line. 直線上の分解能を低減するために回路を分割する線間の間隔を変更するのが一般的である(Botta et al., 2012; Casanova, 2000)が、この論文で示されるアプローチは5メートルの固定間隔を使用しており、これはレースラインの良好な表現を提供することが判明した。 0.77
Maintaining a constant interval between Normal lines is beneficial for the network as it eliminates an additional variable, thus further reducing the dimensionality of the input. 正規行間の一定間隔を維持することは、追加変数をなくすためネットワークにとって有益であり、入力の次元性がさらに低下する。
訳抜け防止モード: 通常の線の間の一定間隔を維持すること ネットワークにとって有益です 追加変数を取り除き、入力の次元性をさらに低下させる。
0.79
In the event that two or more Normal lines intersect one another (e.g. 2つ以上の正規行が相互に交差する場合(例)。 0.66
at a tight hairpin bend), the lines are modified slightly to become ‘Pseudo-Normals’ - where the angle between the Normal and the track centre line is adjusted away from 90 degrees until the lines no longer intersect (Fig. タイトなヘアピン屈曲では、ラインはわずかに変更され、"pseudo-normals"(通常線と線路中央線の間の角度は90度から外れて、線が交差しなくなるまで調整される(図)。 0.83
1). This is encoded and fed into the network in section 2.3. 1). これはエンコードされ、セクション2.3でネットワークに供給されます。 0.74
Fig.1. - a) Lines normal to the track centreline divide the circuit, b) Normals adjusted to become 図1。 -a)軌道中心線に正常な線が回路を分割し、b)正規化が調整された線 0.74
‘pseudo-Normals’ at tight hairpins, c) Waypoint location identifies the intersection of the racing line pseudo-Normals at tight hairpins, c) Waypoint locations identify the intersection of the racing line 0.80
In the same way that a human driver looks ahead on the circuit, several other studies (Casanova, 2000; Weiss and Behl, 2020) use a forward-looking ‘preview’ to control the subsequent behaviour of the vehicle. 人間のドライバーがサーキットを先導するのと同じように、他のいくつかの研究(Casanova, 2000; Weiss and Behl, 2020)では、前方に見える‘プレビュー’を使って車両のその後の動作を制御する。 0.77
However, the racing line at any given point on the circuit is influenced by the preceding curvature (thus resulting in the current vehicle position) and the upcoming curvature of the circuit. しかし、回路上の任意の点におけるレースラインは、前回の曲率(現在の車両位置につながる)と、回路の今後の曲率の影響を受けている。 0.66
Therefore a performance improvement was found by introducing a bidirectional ‘Foresight’ - looking both fore and aft of the current position - thereby enabling the network to learn both how the vehicle arrived at the current position, and where the trajectory heads next. したがって、両方向の「Foresight」 - 現在の位置の前後の両方を見て - を導入することにより、ネットワークは、車両が現在の位置に到着する方法と、次の軌道の頭部の両方を学ぶことを可能にしました。 0.74
Therefore, rather than simply passing all the track Normals for an entire circuit to the neural network, the circuit is broken into a number of overlapping sections using the sliding window approach. したがって、回路全体のすべてのトラックノーマルを単にニューラルネットワークに渡すのではなく、回路はスライディングウィンドウアプローチを使用して複数の重複セクションに分割されます。 0.80
Thus the circuit is described as a series of overlapping windows, each comprising a fixed number of Normal lines and subsequent waypoints. したがって、この回路は一連の重なり合う窓として記述され、それぞれが一定数の正規線とその後のウェイポイントからなる。 0.59
This approach has the following benefits; the network input is a fixed size, and therefore is capable of handling circuits of different length (e.g. このアプローチには以下の利点がある: ネットワーク入力は固定サイズであり、したがって異なる長さの回路(例えば)を扱うことができる。 0.83
Nordschleife (20.8km) and Brands Hatch GP (2.9km)); this teaches the network a larger number of windows of racetracks, enabling it to generalise across behaviour learned from multiple circuits with similar features; the sliding window approach vastly increases the quantity of data provided by each circuit, thereby reducing the number of circuits required in the training dataset. Nordschleife (20.8km) と Brands Hatch GP (2.9km) はネットワークに多数のレーストラックのウィンドウを教え、同様の特徴を持つ複数の回路から学習された振る舞いを一般化することを可能にする。
訳抜け防止モード: nordschleife (20.8 km) とブランドのhatch gp (2.9 km ) はネットワークに多くのレーストラックの窓を教えている。 類似した機能を持つ複数の回路から学習した動作を一般化可能にする スライドウィンドウアプローチは,各回路が提供するデータ量を大幅に増加させる。 これにより、トレーニングデータセットに必要な回路数を削減できる。
0.77
In order to represent this mathematically using the sliding window approach described above, each circuit is represented by a number of overlapping windows, containing information for each of the f Normal lines fore and aft of the central Normal line within the window. 上記のスライディングウィンドウアプローチを使用してこれを数学的に表現するために、各回路は、ウィンドウ内の中央ノーマルラインのfノーマルラインのフォアとアフトの各情報を含む、複数の重複ウィンドウで表されます。 0.75
7 7 0.85
英語(論文から抽出)日本語訳スコア
For a given Foresight value ‘f’, the window (ti ) is formed such that it contains the ordered set of track Normals surrounding and including the Normal line Ni (Ni-f , …, Ni , ..., Ni+f ). 与えられたフォアサイト値 ‘f’ に対して、ウィンドウ (ti ) は、ノーマルライン Ni (Ni-f , ..., Ni , ..., Ni+f ) を含む、周囲のトラックノーマルの順序セットを含むように形成される。 0.84
The neural network ‘g’ is then trained upon these windows in order to predict where the waypoints lie upon a given track section, g(ti ) → wi , where wi is the waypoint location on the Normal Ni. ニューラルネットワークの'g' はこれらのウィンドウ上でトレーニングされ、通常のNi上のウェイポイントの位置であるg(ti ) → wi にウェイポイントがどこにあるかを予測する。
訳抜け防止モード: ニューラルネットワークの‘g’は、これらのウィンドウ上でトレーニングされ、特定のトラックセクションの経路ポイントがどこにあるかを予測する。 g(ti ) → wi, ここで wi は正規Ni 上のウェイポイント位置である。
0.76
Tuning of the foresight value f is explained in section 2.4.2. 予見値fのチューニングは、第2.4.2節で説明される。 0.57
The trajectory for an unseen track is later calculated by predicting the waypoints for each window of the new circuit using the fully trained network. その後、完全に訓練されたネットワークを用いて、新しい回路の各ウィンドウの waypoint を予測して、未検出のトラックの軌跡を算出する。 0.67
In this study, the Foresight level is symmetric and tuned for the objective of minimising the prediction error for a circuit given to the network in its entirety. 本研究では、ネットワーク全体に与えられた回路の予測誤差を最小限に抑えることを目的として、フォアサイトレベルを対称的に調整する。 0.76
However, the windowed approach means that the trajectory is being repeatedly planned for the area immediately surrounding the vehicle - and thus the Foresight level could theoretically be linked to that of an AV’s perception sensors, making this technique suitable for rapid real-time trajectory planning in an autonomous road-going vehicle. しかし、窓が開いているアプローチは、車両を取り囲む地域で軌道が繰り返し計画されていることを意味しており、したがってフォレストレベルは理論上はAVの知覚センサーと結び付けられており、この技術は自動運転車の高速リアルタイム軌道計画に適している。 0.76
2.3 Feature Extraction Rather than learning the racing line for a complete circuit, the network is trained upon information about how the circuit and corresponding racing line flow through each of the windows described in section 2.2. 2.3 完全回路のレースラインを学習する代わりに、回路と対応するレースラインがセクション2.2に記載された各ウィンドウをどのように流れるかの情報に基づいてネットワークを訓練する。 0.85
This provides the ANN with sufficient data to infer important semantic information, in order to generalise a function that creates a target trajectory. これによりANNは、ターゲットの軌道を作成する関数を一般化するために、重要な意味情報を推測するのに十分なデータを提供する。 0.65
It is necessary to encode this information about the circuit and racing line in a lossless manner. 回路とレースラインに関するこの情報を損失のない方法でエンコードする必要があります。 0.80
Therefore, features are extracted from the training data including; circuit width (or length of each Normal), the position of racing line upon track (or waypoint position upon the Normal), and information describing the curvature of the circuit at each Normal. したがって、トレーニングデータから、回路幅(または各ノーマルの長さ)、トラック上のレースラインの位置(またはノーマル上のウェイポイント位置)、および各ノーマルにおける回路の曲率を記述する情報を含む特徴を抽出する。 0.81
Many existing lap time simulators use the target racing line described as a curvature profile, thus facilitating calculation of maximum cornering velocities (Colunga and Bradley, 2014; Dal Bianco et al., 2019). 多くの既存のラップタイムシミュレーターは、目標レースラインを曲率プロファイルとして記述しており、最大コーナー速度の計算を容易にする(Colunga and Bradley, 2014; Dal Bianco et al., 2019)。 0.76
However, as the circuit twists and turns, the radius of curvature varies in a highly nonlinear manner, reducing to a few metres at hairpins, and tending towards infinity on straights. しかし、回路がねじれ回転するにつれて、曲率半径は極めて非線形に変化し、ヘアピン数メートルまで減少し、直線上で無限大に向かう傾向にある。 0.70
In order to constrain these feature representations, the circuit is represented by variations between the Normal lines describing the structure of the circuit, rather than the curvature (Fig. これらの特徴表現を制約するために、回路は曲率ではなく、回路の構造を記述する正規線間のバリエーションによって表現される(図)。 0.77
2). Fig. 2). フィギュア。 0.64
2. Feature extraction: Track geometry (left) and waypoints describing the racing line (right). 2. 特徴抽出:レースライン(右)を記述するトラックジオメトリ(左)とウェイポイント。 0.83
The circuit geometry is described by encoding the features for each Normal as follows; length of the Normal l, angular change between Normals 𝛼, and the offset angle θ between the Normal line and the true normal to the track centreline (which is always 90 degrees except in the case of an adjusted ‘pseudoNormal’). 回路幾何学は、正規の l の長さ、正規の α の間の角変化、正規の線と軌道中心線の間のオフセット角 θ をエンコードすることによって記述される(これは調整された '擬ノルマル' の場合を除いて常に90度である)。 0.71
These features are encoded into the network by allocating 3 dimensions each in the input space for each Normal within a given window (Fig. これらの機能は、特定のウィンドウ内の各ノーマルの入力スペースにそれぞれ3次元を割り当てることでネットワークにエンコードされます(図1)。 0.76
3). Preserving the sign of each angle enables both left and right-hand bends to be encoded. 3). 各角度の記号を保存することで、左右の曲がりをエンコードすることができます。
訳抜け防止モード: 3). 各角度の符号を保存する 左と右の両方の曲がりをエンコードできるようにします。
0.75
8 8 0.85
英語(論文から抽出)日本語訳スコア
The racing line is described by identifying the location of the waypoint along each Normal - denoted using the feature w. This value ranges between 0 and 1 representing the left and right of the Normal respectively. レーシングラインは、特徴wを使用して示される各ノーマルに沿ってウェイポイントの位置を特定することによって記述されます。この値は、それぞれノーマルの左と右を表す0と1の間の範囲です。
訳抜け防止モード: レースラインは、各ノーマルに沿って各ウェイポイントの位置を識別することで記述される。 この値は、それぞれ正規値の左と右を表す 0 と 1 の間の値である。
0.75
The network is then trained upon the w values for each window in the training data, thus enabling the network to predict a racing trajectory through a new circuit. そして、トレーニングデータの各ウィンドウのw値に基づいてネットワークをトレーニングすることで、ネットワークが新たな回路を介してレース軌道を予測することができる。 0.87
2.4 Network The neural network selected for this study is a feed-forward dense ANN due to the complexity of the mapping from the geometry of the track within each encoded window to the target racing line, and the nature of this mapping being a regression task (Lathuilière et al., 2019). 2.4 Network この研究で選択されたニューラルネットワークは、各符号化されたウィンドウ内のトラックの形状からターゲットのレースラインへのマッピングの複雑さと、このマッピングの性質が回帰タスクであることから、フィードフォワード密度のANNである(Lathuilière et al., 2019)。 0.86
This section outlines the structure of the network, and the tuning used to identify the optimal parameters. 本稿では,ネットワークの構造と最適パラメータの同定に用いるチューニングについて概説する。 0.74
2.4.1 Network Structure 2.4.1ネットワーク構造 0.58
The network structure contains four fully connected layers, with a Huber loss function (Huber, 2004) and the Nadam optimiser (Dozat, 2016) - which were selected following experimentation with the various hyperparameters of the network. ネットワーク構造は、Huber損失関数(Huber, 2004)とNadamオプティマイザー(Dozat, 2016)を備えた4つの完全に接続された層を含む。
訳抜け防止モード: ネットワーク構造はフーバー損失関数を持つ4つの完全連結層を含む(huber, 2004)。 nadam optimiser (dozat, 2016) - これは ネットワークの様々なハイパーパラメータの実験により選択された。
0.82
The number of units within each layer was chosen using a grid search method - resulting in 450, 200 and 200 units on the first, second and third hidden layers respectively (Figure 3). 各層内のユニットの数はグリッド探索法で選択され、それぞれ第1層、第2層、第3隠れ層で450、200、200ユニットとなった(第3図)。 0.79
Fig.3. Network structure (shown with sampling level s=1). 図3。 ネットワーク構造(サンプリングレベルs=1)。 0.75
The network was found to perform best when activation functions of sigmoid and hard sigmoid (Gulcehre et al., 2016) were used across the hidden and output layers respectively. このネットワークは,隠れ層と出力層をまたいで,sgmoid と hard sigmoid (gulcehre et al., 2016) の活性化機能をそれぞれ使用した場合,最もよく機能することがわかった。 0.74
The output dimensions are determined by the sampling level s (section 2.4.3) as shown in Fig. 出力寸法は、図に示すようにサンプリングレベルs(セクション2.4.3)で決定される。 0.76
3. 9 3. 9 0.85
英語(論文から抽出)日本語訳スコア
2.4.2 Foresight 2.4.2foresight 0.47
The foresight parameter dictates the number of Normals considered within each window. foresightパラメータは、各ウィンドウ内で考慮される正規数を決定する。 0.68
From the network’s perspective, minimising the foresight value is beneficial, as it reduces the input size of the network, and thus dimensionality - thereby increasing the ability of the network to generalise. ネットワークの観点からは、ネットワークの入力サイズが小さくなり、寸法性が向上し、ネットワークが一般化する能力が向上するため、先見値を最小化することは有益です。 0.70
However, prediction of the racing line becomes increasingly accurate with more track coverage provided to the network - and thus an optimal value of the foresight was determined experimentally for the training data. しかし, レースラインの予測は, ネットワークにより多くのトラックカバレッジを提供することで精度が向上し, トレーニングデータに対して, 予測値の最適値が実験的に決定された。 0.83
One important consideration when using this method is that the foresight must be sufficient to cover the length of the longest straight in the dataset - otherwise, in a straight section (where there is no apparent curvature in the circuit) the network has no concept of whether the previous and upcoming bends are left or right-handed, and thus would be unable to infer the correct line for this section. この方法を使用する際の1つの重要な考慮は、データセットの最長直線の長さをカバーするのに十分でなければならないことである。さもなくば、ストレートセクション(回路に明らかな曲率がない)では、ネットワークは、前回と次回の曲がり角が左か右かのどちらであるかの概念がなく、したがって、このセクションの正しい行を推測できない。 0.73
In this case, the network has a tendency to follow the centreline of the straight, therefore resulting in larger prediction errors. この場合、ネットワークは直線の中心線に従う傾向があり、その結果、より大きな予測誤差が発生します。 0.72
The optimal value of foresight is therefore dependent upon the types of circuit contained within the dataset. したがって、foresightの最適値は、データセットに含まれる回路の種類に依存する。 0.78
For the dataset used in this study, a foresight level of 70 waypoints (i.e. 本研究で使用するデータセットは,70個のウェイポイント(すなわち,フォアテアレベル)である。 0.72
350m fore and aft of the central Normal in the window) was found to provide the highest performance (Fig. 窓の中央常態の350m前部および後部)は最高性能を提供するために見つけられました(図。 0.74
4). Fig. 4). フィギュア。 0.64
4. Effect of foresight upon racing line prediction accuracy (based upon a subset of the validation dataset). 4. 予測がレースライン予測精度に及ぼす影響(検証データセットのサブセットに基づく)。 0.76
Error bars denote the variance through the different K-Folds. エラーバーは異なるk-フォールドによる分散を表す。 0.65
2.4.3 Output sampling Minimising the output size of the network is beneficial, as it further reduces dimensionality, thus improving generalisation accuracy. 2.4.3 出力サンプリング ネットワークの出力サイズを最小化することは有用であり、さらに次元を減少させ、一般化の精度を向上させる。
訳抜け防止モード: 2.4.3 出力サンプリング ネットワークの出力サイズの最小化は有益である。 さらに次元を減らし 一般化の精度を向上します
0.82
Therefore, rather than predicting every waypoint within a window, a smaller number of waypoints are predicted and assembled with those sampled from the neighbouring windows - forming the predicted racing line for the complete lap. したがって、ウィンドウ内のすべての waypoint を予測するのではなく、より少ない数の waypoint を隣のウィンドウからサンプリングしたものと組み合わせて、完全なラップの予測レーシングラインを形成する。 0.74
A prediction of the racing line could be made simply by assembling the central waypoint within each window. レースラインの予測は、各ウィンドウ内の中央のウェイポイントを組み立てるだけで行うことができます。 0.77
However, in this case, each predicted waypoint is being made independently of those either side - which can result in a slightly noisy racing line which does not flow smoothly from one waypoint to the next. しかし、この場合、予測された各ウェイポイントはどちらの側とも独立して作られており、あるウェイポイントから次のウェイポイントまで滑らかに流れないわずかにノイズの多いレースラインをもたらす可能性がある。 0.63
Therefore, the network instead predicts multiple waypoints either side of the central Normal within そのため、ネットワークは中央正規線の両側に複数の経路を予測する。 0.64
10 10 0.85
英語(論文から抽出)日本語訳スコア
each window and then averages across those sampled from the neighbouring windows. 各窓および次に近隣の窓から見本抽出されるそれらを渡る平均。 0.66
This provides a ‘moving average’ effect to each predicted waypoint, thus generating a smooth racing line. これにより、予測された各ウェイポイントに「移動平均」効果を提供し、スムーズなレースラインを生成します。 0.63
The sampling level (s) determines the number of pairs of surrounding waypoints that the network predicts, such that s = 0 (no averaging) dictates a network with one output and s = 2 requires a network with five outputs. サンプリングレベル(s)は、ネットワークが予測する周囲のウェイポイントのペア数を決定し、s = 0(平均値なし)が1つの出力でネットワークを決定し、s = 2は5つの出力を持つネットワークを必要とする。 0.81
Once each track segment has been passed through the network, each window contains 2s + 1 predictions estimating where the target path lies through that window. 各トラックセグメントがネットワークを通過すると、各ウィンドウは2s + 1予測を含み、ターゲットパスがそのウィンドウを通る場所を推定する。 0.87
For each normal line, the set of estimations are then averaged to produce a smooth line. 各正規直線に対して、推定の集合は平均化され、滑らかな直線を生成する。 0.65
A sampling level of s=4 (9 network outputs), was found to provide the highest accuracy in the predicted racing line for the validation data used in this study (Fig. s=4 (9ネットワーク出力) のサンプリングレベルは, 本研究で使用した検証データに対して, 予測したレースラインにおいて, 最高精度を示した (fig。 0.83
5), generating a prediction of the racing line which flows smoothly from waypoint to waypoint without requiring computationally expensive filtering techniques of the nature employed by Heilmeier et al. 5) heilmeierらが採用する性質の計算コストの高いフィルタリング技術を必要とすることなく、waypointからwaypointへスムーズに流れるレースラインの予測を生成する。 0.81
(2019). Fig 5. (2019). 第5図。 0.81
Adjustment of the Sampling level provides a smoothing effect to the predicted line. サンプリングレベルの調整は、予測ラインに平滑化効果を与える。 0.69
11 11 0.85
英語(論文から抽出)日本語訳スコア
3 Results In order to demonstrate the performance of the ANN, predictions were made for the previously unseen circuits in the testing data and compared against the racing lines found using the OCP method provided by TUMFTM (2019). 3結果ANNの性能を実証するために、テストデータにおけるこれまで見つからなかった回路の予測を行い、TUMFTM(2019)が提供するOCP法を用いて発見されたレースラインと比較しました。 0.73
Comparison was made for both accuracy of the generated line and solution time. 生成ラインの精度と解時間の両方について比較を行った。 0.78
3.1 Racing line prediction accuracy The racing line calculated is shown and compared against that of the OCP method for Brands Hatch GP (Fig. 3.1 レーシングラインの予測精度 計算されたレースラインをブランドハッチGPのOCP法と比較します(図2)。 0.79
6) and Nürburgring GP (Fig. 6)およびニュルブルクリンクGP(図)。 0.74
8) circuits are presented below. 8) 回路を以下に示す。 0.84
Fig. 6. Comparison of the racing line predicted by the ANN against that calculated via the OCP method フィギュア。 6. ANNが予測したレースラインとOCP法で算出したレースラインの比較 0.67
for the previously unseen Brands Hatch GP circuit. 今まで見つからなかったBrands Hatch GP回路用。 0.71
Fig. 7. Lateral deviations from the track centreline predicted by the ANN and calculated via the OCP フィギュア。 7. ANNが予測した軌道中心線からの側方偏差とOCPによる計算 0.70
method for the previously unseen Brands Hatch GP circuit. 今まで見つからなかったBrands Hatch GP回路の方法。 0.72
12 12 0.85
英語(論文から抽出)日本語訳スコア
Fig. 8. Comparison of the racing line predicted by the ANN against that calculated via the OCP method フィギュア。 8. ANNが予測したレースラインとOCP法で算出したレースラインの比較 0.67
for the previously unseen Nürburgring GP circuit. 以前見つからなかったニュルブルクリングGP回路用。 0.69
Fig. 9. Lateral deviations from the track centreline predicted by the ANN and calculated via the OCP フィギュア。 9. ANNが予測した軌道中心線からの側方偏差とOCPによる計算 0.70
method for the previously unseen Nürburgring GP circuit. 以前見つからなかったニュルブルクリングGP回路の方法。 0.71
To enable improved visualisation of the accuracy of the prediction, Kapania et al. 予測精度を向上したカパニア等の可視化を可能にする。 0.69
(2016)’s method is used to plot the racing lines as a lateral deviation from the track centreline, along with track boundaries (Fig. (2016)の方法は、レースラインを線路の中心線から外側にずれ、線路の境界(fig)に沿ってプロットするために使用される。 0.74
7 & 9). The paths predicted by the ANN are qualitatively similar to those calculated using the OCP method, following near-identical paths on most apexes - outperforming Kapania et al. 7 & 9). ANNによって予測される経路は、ほとんどの頂点上のほぼ同一の経路(カパニアなど)に従って、OCP法を用いて計算された経路と質的に類似している。 0.68
(2016)’s rapid 2-step method of generating the optimal line, and comparable in performance to Dal Bianco et al. 最適なラインを生成するための(2016)の急速な2ステップの方法は、Dal Biancoらとパフォーマンスに匹敵します。 0.63
(2019)’s indirect method of solving the nonlinear OCP. (2019) の非線形 OCP を間接的に解く方法。 0.71
Maximum deviations between the ANN’s prediction and the OCP method tend to occur in areas with more complex and unusual features - e.g. ANNの予測とOCPメソッドの最大偏差は、より複雑で異常な特徴を持つ領域で発生する傾向がある。 0.66
the straight with a subtle bend prior to the upcoming corner at Nürburgring GP, and the complex combination of consecutive turns impacting upon each other (Fig. ニュルブルクリンクGPの次のコーナーの前に微妙な曲がり角を持つまっすぐで、互いに影響する連続したターンの複雑な組み合わせ(図1)。 0.77
8). The largest sustained deviations tend to occur during the straights - however, this behaviour is common to many methods of calculating the optimal line and is considered to be of lesser importance as a difference in vehicle position during a straight results in a minimal impact upon lap time (Dal Bianco et al., 2019; Kapania et al., 2016). 8). しかし、この挙動は最適なラインを計算する多くの方法に一般的であり、ラップタイム(Dal Bianco et al.、2019; Kapania et al.、2016)に最小限の影響でストレート結果の間に車両の位置の違いとしてより重要ではないと考えられています。 0.75
Quantitative analysis of the performance for the previously unseen real-world circuits in the testing data is provided in Table 2, demonstrating that the network is capable of generating accurate racing lines for a テストデータ中の未確認実世界の回路の性能の定量的解析をテーブル2に提供し、ネットワークが正確なレース線を生成することができることを示す。 0.83
13 13 0.85
英語(論文から抽出)日本語訳スコア
variety of different track lengths and layouts. いろいろな異なったトラック長さおよびレイアウト。 0.73
The highest accuracy is achieved for circuits such as Brands Hatch GP and Hungaroring, which comprise features more commonly found in the training dataset such as constant radius turns at the end of a straight, moderate length straights, and average track width. Brands Hatch GPやHungaroringなどの回路では、直線、中程度の長さの直線、平均トラック幅の終わりに一定の半径が回転するなど、トレーニングデータセットでより一般的に見られる機能で構成されています。 0.71
This is demonstrated by the reduction in RMS error at Brands Hatch GP and Hungaroring. これはBrands Hatch GP と Hungaroring における RMS 誤差の低減によって実証される。 0.81
Circuits further from the ‘average’ track in the training dataset in some way (e.g. トレーニングデータセットの「平均」トラックから、何らかの方法でさらに回路(例えば)。 0.80
particularly wide/narrow circuits, those containing very tight corners, combinations of multiple bends feeding into one another, very long straights, very short straights between turns, or complex corners with varying radius) may present ‘edge cases’ - features which are sparse in the training data, or the ANN has not previously seen. 特にワイド/ナロー回路は、非常にタイトなコーナー、複数のベンドの組み合わせが互いに給電する、非常に長いストレート、ターン間の非常に短いストレート、または異なる半径の複雑なコーナーを含む)は、トレーニングデータにばらばらな特徴である「エッジケース」を示す可能性がある。 0.75
In these cases, the predicted line becomes a more generic approximation biased towards the centre of the dataset, and thus the accuracy of the prediction reduces. これらのケースでは、予測された行はデータセットの中心に向かって偏ったより一般的な近似となり、予測の精度が低下する。 0.68
This is demonstrated by the increased prediction error at Paul Ricard (featuring 3 long straights, and two double-apex corners with varying radius), and the 20.8km Nordschleife (which features an abundance of complex corners, and an extremely long straight). これはポール・リカール(英語版)における予測誤差の増加(3つの長い直線と半径の異なる2つの二重頂点角)と20.8kmのノルトシュライフェ(複素角が豊富で非常に長い直線)によって証明される。 0.71
To reduce the impact of this sample biasing (and thus reduce prediction error), the dataset should be centred around similar circuits and diversified. このサンプルバイアスの影響を減らすため(予測誤差を減らすため)、データセットは類似の回路を中心に分散する必要があります。 0.83
Thus, the average circuit in the training data should contain features similar to those for which predictions are required (i.e. したがって、トレーニングデータの平均回路は、予測が必要なもの(すなわち、)と同様の機能を含むべきである。 0.69
if a prediction is desired for a small kart track, training the ANN on a dataset featuring only F1-style circuits would result in increased prediction error) - and diversification should be achieved through the use of a greater selection of original circuits in the training data (rather than the large number of augmentations of a small number of circuits used in this study). 小さなカートトラックに予測が必要な場合は、F1スタイルの回路のみを特徴とするデータセット上でANNを訓練すると予測誤差が増加する) - そして、トレーニングデータに元の回路のより大きな選択を使用することによって多様化が達成されるべきである(この研究で使用される少数の回路の多数の増分ではなく)。 0.84
Circuit Hungaroring 回路 ハンガロリング 0.57
Nürburgring GP ニュルブルクリンクGP 0.67
Nordschleife ノルトシュライフェ(Nordschleife) 0.34
Paul Ricard (1C-V2) Paul Ricard (複数形 Paul Ricards) 0.56
Red Bull Ring GP Red Bull Ring GP 0.85
Spa Brands Hatch GP スパ Brands Hatch GP 0.79
Monza Catalunya GP 門座 カタルーニャGP 0.46
Average (circuits above) Average (複数形 Averages) 0.78
Prediction accuracy Solution Times 予測精度 ソリューションタイム 0.74
RMSE (m) MAE (m) RMSE (m) MAE (複数形 MAEs) 0.79
OCP (s) OCP (複数形 OCPs) 0.76
ANN (s) ANN (複数形 ANNs) 0.75
0.331 0.354 0.331 0.354 0.59
0.470 0.547 0.470 0.547 0.59
0.393 0.358 0.393 0.358 0.59
0.285 0.377 0.285 0.377 0.59
0.398 0.390 0.398 0.390 0.59
0.255 0.266 0.255 0.266 0.59
0.336 0.411 0.336 0.411 0.59
0.276 0.256 0.276 0.256 0.59
0.226 0.272 0.226 0.272 0.59
0.302 0.289 0.302 0.289 0.59
117 554 2670 117 554 2670 0.85
468 134 208 468 134 208 0.85
244 207 202 244 207 202 0.85
534 0.0293 534 0.0293 0.72
0.0314 0.0550 0.0314 0.0550 0.59
0.0314 0.0288 0.0314 0.0288 0.59
0.0335 0.0285 0.0335 0.0285 0.59
0.0327 0.0293 0.0327 0.0293 0.59
0.0333 Table 2. 0.0333 表2。 0.66
Accuracy of the racing line predicted by the ANN in comparison to the OCP method, with respective ANNが予測するレースラインの精度とOCP法との比較 0.52
processing times for the 9 real-word circuits in the testing dataset. テストデータセット内の9つの実ワード回路の処理時間。 0.78
14 14 0.85
英語(論文から抽出)日本語訳スコア
A quantitative analysis of the prediction error observed across the entire testing dataset is presented in Table 3, delivering a Mean Absolute Error (MAE) of ±0.27m (±0.38m RMSE) averaged across all circuits in the testing dataset - closely echoing the behaviour across the 9 real-world circuits. テストデータセット全体で観察された予測誤差の定量的分析を表3に示し、テストデータセット内のすべての回路で平均±0.27m (±0.38m RMSE)の平均絶対誤差(MAE)を提供します。 0.81
The distribution of the errors in each prediction closely approximates a Laplace distribution (giving a 50% Confidence Interval (CI) of just ±0.18m), with a mean very close to zero. 各予測における誤差の分布は、ラプラス分布(わずか±0.18mの50%の信頼性インターバル(CI)を与える)を近似しており、平均はゼロに近い。 0.85
It is the authors’ belief that the use of flipping and reversing each circuit in the training data (and thus training the ANN on an equal number of left and right-hand bends) has resulted in this symmetric distribution with zero offset. 著者は、トレーニングデータに各回路を反転して反転させること(したがって、左右の曲がりの等しい数でANNを訓練すること)が、この対称分布をゼロオフセットで導いたと信じています。 0.72
RMS (m) RMS (複数形 RMS) 0.75
MAE (m) MAE (複数形 MAEs) 0.73
Mean error (m) 50% CI (m) 平均誤差 (m) 50% CI (m) 0.77
95% CI (m) 95% CI (m) 0.85
0.376 0.267 0.376 0.267 0.59
0.029 0.184 0.029 0.184 0.59
0.826 Table 3. Overall accuracy of the ANN predictions in comparison to the OCP method across the entire testing dataset 0.826 表3。 テストデータセット全体にわたるOCP法と比較したANN予測の全体的な精度 0.74
The error distribution provides a 95% Confidence Interval (CI) of ±0.83m - while Brayshaw and Harrison (2005) found that the lines taken by four professional racing drivers varied by more than ±1m. エラー分布は95% Confidence Interval (CI) ±0.83mで、Brrayshaw と Harrison (2005) は4人のプロのレーシングドライバーが撮影した路線が±1m以上変化していることを発見した。 0.76
This implies that the ANN is capable of generating a prediction of a racing line which is more accurate than a human racing driver is able to follow an optimal path. これはANNが人間のレーシングドライバーが最適な経路をたどることができるよりも正確なレースラインの予測を生成することができることを意味します。 0.85
These errors are quantitatively smaller than the change in optimal racing line caused by local variations in friction coefficient on the track surface (Christ et al., 2019) or adjustments vehicle design parameters (Brayshaw and Harrison, 2005). これらの誤差は、トラック表面の摩擦係数の局所変動(Christ et al., 2019)または調整車両設計パラメータ(Brayshaw and Harrison, 2005)によって引き起こされる最適レースラインの変化よりも定量的に小さい。 0.91
In comparison to other methods of finding the optimal trajectory, the ANN is capable of predicting the racing line with equivalent or better accuracy than other traditional methods - the difference between the line predicted by the ANN and the OCP method compares favourably to the differences between Siegler et al. 最適な軌道を見つける他の方法と比較して、ANNは他の従来の方法よりも等価またはより良い精度でレースラインを予測することができます - ANNによって予測される線とOCP方法の違いは、Sieglerらの違いに有利に比較します。 0.77
(2000)’s QSS and transient simulators, and Dal Bianco et al. (2000)の QSS および一時的なシミュレーター、および Dal Bianco ら。 0.72
(2019)’s considerably more computationally expensive direct and indirect methods of solving the OCP. (2019)の計算コストはかなり高く、OCPを解く間接的手法である。 0.55
However, it should be noted that several of the existing methods calculate the trajectory alongside a velocity trace and (depending upon the method) vehicle control inputs - which are currently beyond the scope of this study. しかし、既存の方法のいくつかは、現在この研究の範囲を超えて、速度トレースと(方法に応じて)車両制御入力の横の軌道を計算することに注意する必要があります。 0.74
From the perspective of AV control, the ANN’s prediction accuracy is similar to Andresen et al. AV制御の観点から、ANNの予測精度はAndresenらと似ています。 0.62
(2020)’s accuracy of map generation in an autonomous racing vehicle at racing speed (±0.39m vs ±0.29m RMSE respectively). (2020) レース速度の自律走行車における地図生成の精度(それぞれ±0.39m対±0.29m RMSE)。 0.85
The accuracy is qualitatively similar to that achievable by a path-following driver model following a racing line at speed in an autonomous racing car (Culley et al., 2020; Kapania, 2016), and a road-going vehicle in Wang et al. この精度は、自動運転レーシングカー(Culley et al., 2020; Kapania, 2016)のスピードでレースラインに続く経路追従ドライバーモデルと、Wang et alの道路走行車両によって達成されるものと定性的に似ています。 0.80
(2016). 3.2 Computation time The typical solution time for generating a racing line for a previously unseen track via the neural network is 33 milliseconds on a 2.4 GHz Intel Core i9-9980HK processor2 - over 9,000 times faster than generating the line (for the majority of normal length circuits) via the more conventional OCP method. (2016). 3.2 計算時間 ニューラルネットワークを介して以前目にしなかったトラックのレースラインを生成する典型的な解時間は、2.4ghzのintel core i9-9980hkプロセッサ2上で33ミリ秒である。
訳抜け防止モード: (2016). 3.2 計算時間 典型的な解時間 ニューラルネットワークを介して、以前は目に見えないトラックのレースラインを生成する 2.4GHzのIntel Core i9 - 9980HKプロセッサ2の33ミリ秒で、従来のOCP方式でライン(通常の長さ回路の大半)を生成するよりも9000倍高速です。
0.79
An interesting feature of the ANN approach is that the windows can be calculated simultaneously, while conventional approaches iteratively proceed around the circuit. ANNアプローチの興味深い特徴は、従来のアプローチが回路の周りを反復的に進む一方、ウィンドウを同時に計算できることです。 0.77
Thus, solution times for a very long circuit such as the 20.8km Nordschleife (50ms vs 46 minutes for the OCP method) are barely increased from that of a shorter circuit - rendering the ANN approximately 50,000 times faster in generating a racing line for this particular circuit. したがって、20.8km Nordschleife (OCP法では50ms対46分)のような非常に長い回路の解時間は短い回路の解よりわずかに増加し、ANNは特定の回路のレースラインを生成するのに約5万倍高速になる。 0.85
The method proposed in this paper is also approximately 800 times faster than Kapania et al. 本論文で提案する手法はカパニアらよりも約800倍高速である。 0.65
(2016)’s 2step approach - which (to the authors’ knowledge) was previously the fastest known method of generating a non-trivial racing line - whilst delivering a considerably more accurate solution. 2016年)の2ステップアプローチは、(著者の知識に)以前は、より正確なソリューションを提供しながら、非自明なレースラインを生成する最速の方法でした。 0.70
2The ANN is ideally suited to GPU/TPU processing - thus performance could be further expedited on compatible hardware. 2 annはgpu/tpu処理に理想的に適しているため、互換性のあるハードウェアでパフォーマンスをさらに向上させることができる。 0.57
15 15 0.85
英語(論文から抽出)日本語訳スコア
4 Discussion The qualitative and quantitative comparisons presented in section 3.1 demonstrate that this radically different approach to finding the racing line results in accurate predictions which offer comparable or reduced error to; other traditional approaches for calculating the optimal trajectory; the ability of a human racing driver to follow an optimal path; the effect of small changes in grip level or vehicle parameters; an autonomous vehicle’s ability to map and track a target path. 4 Discussion The qualitative and quantitative comparisons presented in section 3.1 demonstrate that this radically different approach to finding the racing line results in accurate predictions which offer comparable or reduced error to; other traditional approaches for calculating the optimal trajectory; the ability of a human racing driver to follow an optimal path; the effect of small changes in grip level or vehicle parameters; an autonomous vehicle’s ability to map and track a target path. 0.87
However, the real benefit of this approach to racing line generation lies not in the accuracy of the prediction, but in the speed and computational efficiency of obtaining an accurate solution. しかしながら、レースライン生成に対するこのアプローチの真の利点は、予測の正確さではなく、正確な解を得るスピードと計算効率にある。 0.72
The approach presented in this paper delivers an incredibly rapid prediction of the racing line which represents a transformational reduction in solution time over traditional solutions, without sacrificing accuracy. 本稿では,従来の解法よりも解時間を変換的に短縮し,精度を犠牲にすることなく,レースラインを驚くほど高速に予測する手法を提案する。 0.69
This means that the technique is ideally suited for generation of the target path in real-time, thus not only making this approach suitable for offline generation of the racing line, but also for trajectory planning in an AV using minimal computation resources. これは、この手法がリアルタイムにターゲットパスの生成に適していることを意味し、このアプローチをレーシングラインのオフライン生成に適しているだけでなく、最小限の計算リソースを使用してAVの軌道計画にも適している。 0.75
The ‘windowed’ nature of the approach means that the trajectory is being simultaneously planned for all sections of the road ahead, and thus it would be possible adapt the technique for the rapid and efficient solution of dynamically changing road conditions - e.g. このアプローチの「窓のある」性質は、軌道が前方の道路のすべてのセクションで同時に計画されていることを意味するため、動的に変化する道路条件の迅速かつ効率的な解決策のための技術を適用することができます。 0.82
recovery after an unpredictable event, or adjustments in trajectory to avoid other road users (Erlien et al., 2013). 予測不能なイベントの後、または他の道路利用者を避けるために軌道の調整(erlien et al., 2013)。 0.77
The parallel nature of the planning task means that multiple paths can be predicted concurrently, thus the AV could be generating a trajectory through all possible routes in real-time - raising the exciting possibility of applications in unexpected event recovery and accident avoidance systems. 計画タスクの並列性は、複数のパスを並行して予測できるため、AVはすべての可能なルートを通じてリアルタイムで軌道を生成することができ、予期せぬイベント復旧および事故回避システムにおけるアプリケーションのエキサイティングな可能性を高めます。 0.71
Due to the long computational times of many of the more accurate, time-optimal approaches to finding the optimal line, a simple MCP or QSS method is commonly employed as a starting point to expedite the process by constraining the problem (Kapania, 2016). 最適線を見つけるためのより正確で時間に最適化されたアプローチの長い計算時間のため、単純なMCP法やQSS法が問題に制約を加えることでプロセスの迅速化の出発点として一般的に用いられる(Kapania, 2016)。 0.80
Thus the method presented in this paper could be coupled with an OCP method to provide an exceptionally fast, accurate initial approximation for use as pre-calculation prior to fine-tuning with further (e.g. そこで,本論文で提案する手法はOCP法と組み合わせることで,より精密な微調整前(例えば)に事前計算を行うための極めて高速で高精度な初期近似を実現できる。 0.74
minimum-time) optimisations. 5 Conclusions This work has demonstrated the potential of the use of Machine Learning techniques to develop an extremely rapid prediction of the optimal trajectory around a previously-unseen circuit. 最小時間)最適化。 5 結論 本研究は, 従来想定されていた回路まわりの最適軌道予測を高速に行うために, 機械学習手法を活用できる可能性を実証した。 0.69
A feed-forward dense ANN was selected, with Sigmoid and Hard Sigmoid activation functions (on the hidden intermediate layers and output layer respectively) found to deliver the best performance from the network. フィードフォワード密度ANNが選択され、SigmoidとHard Sigmoidの活性化機能(それぞれ隠された中間層と出力層)がネットワークから最高のパフォーマンスをもたらすことが判明しました。 0.85
During training, a Huber loss function and Nadam optimiser were found to further improve prediction accuracy. トレーニング中、ハマー損失関数とナダムオプティマイザが検出され、予測精度がさらに向上した。 0.65
This approach does not solve the problem per se, rather it rapidly generates an accurate prediction to the solution based upon prior training upon many solutions to a similar problem - and therefore thousands of circuits were used to train the network. このアプローチは、各々の問題を解決するのではなく、同様の問題に対する多くのソリューションに関する事前トレーニングに基づいて、ソリューションに対する正確な予測を迅速に生成するため、数千の回路がネットワークをトレーニングするために使用されました。 0.72
This study used track boundaries for 82 real circuits, which were then expanded to 6058 tracks through various augmentations (including scaling / flipping / reversing etc). 本研究は82個の実回路のトラック境界を用い,様々な拡張(スケーリング/フリップ/リバースなど)により6058トラックに拡張した。 0.83
An existing Optimal Control method was employed to generate an optimal racing line for each circuit, and each circuit was split into sections via a sliding window approach, resulting in a dataset comprising a total of 2.7 million track segments. 既存の最適制御方式を使用して各回路に最適のレースラインを生成し、各回路はスライディングウィンドウアプローチによってセクションに分割され、合計2.7百万のトラックセグメントからなるデータセットが作成されました。 0.80
The ANN will accept training data from any existing method of generating the racing line and offer a prediction based upon that data. ANNは、レーシングラインを生成する既存の方法からのトレーニングデータを受け入れ、そのデータに基づいて予測を提供します。 0.78
Thus, if a large number of circuits driven by a human driver in a DIL simulator (or a highly-complex and accurate method of calculating the line) were used - the ANN would ‘learn to drive like a particular driver (or simulator) in a particular car’. したがって、DILシミュレータで人間のドライバーによって駆動される多数の回路(または非常に複雑で正確なライン計算方法)が使用される場合、ANNは「特定の車の中で特定のドライバー(またはシミュレータ)のように運転することを学ぶ」でしょう。 0.80
The calculation time is independent of the complexity of the model that was used for training purposes, and if a highly complex (and computationally expensive) free-trajectory simulator were used to generate the training data, the accuracy of the solution would increase without affecting the prediction time. 計算時間は、訓練目的に使用されたモデルの複雑さとは無関係であり、高度に複雑な(そして計算に高価な)自由軌道シミュレータを用いてトレーニングデータを生成すると、予測時間に影響を与えることなく解の精度が向上する。 0.85
16 16 0.85
英語(論文から抽出)日本語訳スコア
Predictions of racing lines for previously-unseen circuits were found to be with an average ±0.27m mean absolute error - meaning that the accuracy of the generated line is comparable to (and in many cases better than) other existing traditional methods of obtaining the racing line. 以前は見えない回路のレーシングラインの予測は、平均±0.27mの平均絶対誤差であることが判明しました。つまり、生成されたラインの精度は、レーシングラインを取得する他の従来の方法と同等(および多くの場合はより良い)であることを意味します。
訳抜け防止モード: 従来の未検出回路におけるレースラインの予測は、平均±0.27mの平均絶対誤差で、つまり生成されたラインの精度は同等である。 (多くの場合) レースラインを得るための他の既存の方法。
0.85
In addition, the prediction accuracy is greater than a professional racing driver’s ability to follow the optimal line and similar to that of an autonomous vehicle control system’s path-following accuracy. さらに、予測精度は、プロのレーシングドライバーの最適なラインに従う能力よりも高く、自動運転車の制御システムの経路追従精度に似ています。
訳抜け防止モード: さらに、予測精度はプロのレーシングドライバーの最適なラインに従う能力よりも大きいです。 そして自動車の制御システムの道のそれと類似して-次の正確さ。
0.83
The network provides the most accurate predictions where a breadth of similar features exist in the training data. ネットワークは、トレーニングデータに類似した機能の広い範囲が存在する最も正確な予測を提供します。 0.73
In order to achieve the lowest prediction errors, the dataset should be centred around similar circuits by using a training dataset featuring circuits of a similar size and complexity (i.e. 最小の予測誤差を達成するためには、データセットは類似した大きさと複雑さの回路を特徴とするトレーニングデータセットを使用して、類似の回路を中心に設定する必要がある。 0.66
if a prediction is desired for a small kart track, training the ANN on a dataset featuring only F1-style circuits would result in increased prediction error). 小さなカートトラックに予測が必要な場合、F1スタイルの回路のみを特徴とするデータセット上でANNをトレーニングすると、予測エラーが増加する)。 0.74
Additionally, the training data should be diversified to reduce sample bias by using as large a number of original circuits as possible (rather than a large number of augmentations of a small number of circuits used in this study). さらに、トレーニングデータは、できるだけ多くの元の回路を使用することによってサンプルバイアスを減らすために多様化されるべきである(この研究で使用される少数の回路の多数の増分よりもむしろ)。 0.79
The ANN calculates a prediction for a full-size racing circuit in approximately 0.033 seconds, making this approach over 9,000 times faster than a rapid OCP approach to finding the racing line, and approximately 800 times faster than the most expedient non-trivial approach reported in the literature survey. annは、約0.033秒でフルサイズのレーシング回路の予測を計算し、このアプローチは、レースラインを見つけるための高速ocpアプローチよりも9000倍高速であり、文献調査で報告された最も早い非自明なアプローチよりも約800倍高速である。 0.73
However, it should be noted that this approach requires extensive training on existing data, and many other solutions simultaneously generate a speed trace - which is currently beyond the capability of the method presented in this paper. しかし、このアプローチには既存のデータに対する広範なトレーニングが必要であり、他の多くのソリューションが同時に速度トレースを生成することに注意する必要がある。 0.57
Extremely rapid prediction of an accurate racing line means that this approach is the fastest known method of obtaining a target trajectory for a complete (or partial) circuit, with results comparable to the optimal racing line. 精度の高いレースラインの非常に速い予測は、このアプローチが完全な(または部分的な)サーキットの目標軌道を得る最速の方法であり、最適なレースラインに匹敵する結果が得られることを意味する。 0.74
This approach is therefore ideally suited to a range of applications including; calculation of a target line for use in traditional simulators; pre-calculation to reduce solution time of free-trajectory (e.g. したがってこのアプローチは、従来のシミュレーターで使用する対象ラインの計算、自由軌道の解時間を削減するための事前計算など、様々な応用に最適である。 0.73
OCP) simulators; real time prediction of the racing line in an autonomous racing vehicle - and it could be adapted for use in trajectory planning and accident avoidance for an autonomous road-going vehicle. OCP)シミュレータ;自律走行車両におけるレースラインのリアルタイム予測 - それは自律走行車両の軌道計画および事故回避で使用するために適応することができる。 0.76
This represents a re-think of the traditional approaches to obtaining an optimal trajectory - where previous approaches typically rely upon brute-force computation, this method suggests that a data-driven approach may be considerably more efficient without any fundamental trade-off in accuracy. これは、従来の最適な軌道を得るためのアプローチの再検討である - 従来のアプローチが一般的にブルートフォース計算に依存している場合、この手法は、データ駆動のアプローチが、精度の根本的なトレードオフなしにかなり効率的であることを示唆している。 0.58
Acknowledgement This project has been made possible with the support of the Autonomous Driving research group in the School of Engineering, Computing & Mathematics at Oxford Brookes University, and the OBR Autonomous team. このプロジェクトは、オックスフォードブルックス大学工学・計算・数理学部の自動運転研究グループとOBR自律チームの支援を得て実現されました。 0.63
The authors would like to thank Peter Ball, Fabio Cuzzolin, Matthias Rolf, Alex Rast and Gordana Collier for their support of the project. Peter Ball氏、Fabio Cuzzolin氏、Matthias Rolf氏、Alex Rast氏、Gordana Collier氏がプロジェクトを支援してくれたことに感謝したい。
訳抜け防止モード: 著者はPeter Ball, Fabio Cuzzolinに感謝したい。 Matthias Rolf氏、Alex Rast氏、Gordana Collier氏はプロジェクトを支援してくれた。
0.82
Later stages of this work were carried out in conjunction with Manchester Stinger Motorsports at the University of Manchester, where credit goes to Caroline Jay for her support in founding the team. この作業の後半はマンチェスター大学のマンチェスター・スティンガー・モータースポーツ(英語版)と共同で行われ、キャロライン・ジェイ(英語版)がチーム設立を支援した。 0.62
Special thanks go to the Institute of Automotive Technology at TU Munich - this work would not have been possible without their Global Race Trajectory Optimisation Tool (TUMFTM, 2019). チューミュンヘンの自動車技術研究所(institute of automotive technology)への特別な感謝 - この作業は、グローバルなレース軌道最適化ツール(tumftm, 2019)がなければ不可能だっただろう。
訳抜け防止モード: TUミュンヘンの自動車技術研究所に特別に感謝します。 この作業は、Global Race Trajectory Optimization Tool(TUMFTM、2019)がなければ不可能でした。
0.78
17 17 0.85
英語(論文から抽出)日本語訳スコア
References AlQuraishi, M., 2019. AlQuraishi, M., 2019を参照。 0.81
End-to-end differentiable learning of protein structure. タンパク質構造のエンドツーエンドの微分可能な学習。 0.51
Cell systems, 8(4), pp.292301. 細胞系, 8(4), pp.292301。 0.79
https://doi.org/10.1 016/j.cels.2019.03.0 06 Andersson, J.A., Gillis, J., Horn, G., Rawlings, J.B., Diehl, M., 2019. https://doi.org/10.1 016/j.cels.2019.03.0 06 Andersson, J.A., Gillis, J., Horn, G., Rawlings, J.B., Diehl, M., 2019 0.65
CasADi: a software framework for nonlinear optimization and optimal control. CasADi: 非線形最適化と最適制御のためのソフトウェアフレームワーク。 0.85
Mathematical Programming Computation, 11(1), pp.1-36. 数学的プログラミング計算, 11(1), pp.1-36。 0.78
https://doi.org/10.5 281/zenodo.1257968 Andresen, L., Brandemuehl, A., Hönger, A., Kuan, B., Vödisch, N., Blum, H., Reijgwart, V., Bernreiter, L., Schaupp, L., Chung, J.J., Bürki, M., 2020. https://doi.org/10.5 281/zenodo.1257968 Andresen, L., Brandemuehl, A., Hönger, A., Kuan, B., Vödisch, N., Blum, H., Reijgwart, V., Bernreiter, L., Schaupp, L., Chung, J.J., Bürki, M., 2020 0.93
Accurate Mapping and Planning for Autonomous Racing. 自動レースの正確なマッピングと計画。 0.70
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp。 0.93
4743-4749). 4743-4749). 0.78
arXiv preprint arXiv:2003.05266 Balaji, B., Mallya, S., Genc, S., Gupta, S., Dirac, L., Khare, V., Roy, G., Sun, T., Tao, Y., Townsend, B., Calleja, E., 2020. arXiv preprint arXiv:2003.05266 Balaji, B., Mallya, S., Genc, S., Gupta, S., Dirac, L., Khare, V., Roy, G., Sun, T., Tao, Y., Townsend, B., Calleja, E., 2020。 0.91
Deepracer: Autonomous racing platform for experimentation with sim2real reinforcement learning. deepracer: sim2real reinforcement learningを実験するための自律レーシングプラットフォーム。 0.79
IEEE International Conference on Robotics and Automation (ICRA) (pp. IEEE International Conference on Robotics and Automation (ICRA) (pp。 0.80
27462754). 27462754). 0.85
IEEE. https://doi.org/10.1 109/ICRA40945.2020.9 197465 Betz, J., Wischnewski, A., Heilmeier, A., Nobis, F., Stahl, T., Hermansdorfer, L., Lohmann, B., Lienkamp, M., 2019. IEEE。 https://doi.org/10.1 109/ICRA40945.2020.9 197465 Betz, J., Wischnewski, A., Heilmeier, A., Nobis, F., Stahl, T., Hermansdorfer, L., Lohmann, B., Lienkamp, M., 2019 0.83
What can we learn from autonomous level-5 motorsport?. 自律レベル5モータースポーツから何が学べますか? 0.76
9th International Munich Chassis Symposium 2018 (pp. 9th International Munich Chassis Symposium 2018 (pp. 0.94
123-146). Springer Vieweg, Wiesbaden. 123-146). Springer Vieweg, Wiesbaden (英語) 0.75
https://doi.org/10.1 007/978-3658-22050-1 _12 Botta, M., Gautieri, V., Loiacono, D., Lanzi, P.L., 2012. https://doi.org/10.1 007/978-3658-22050-1 _12 Botta, M., Gautieri, V., Loiacono, D., Lanzi, P.L., 2012 0.62
Evolving the optimal racing line in a high-end racing game. ハイエンドレーシングゲームにおける最適なレースラインの進化。 0.75
IEEE Conference on Computational Intelligence and Games (CIG) (pp. IEEE Conference on Computational Intelligence and Games (CIG) (pp。 0.81
108-115). IEEE. 108-115). IEEE。 0.81
https://doi.org/10.1 109/CIG.2012.6374145 Brayshaw, D.L., Harrison, M.F., 2005. https://doi.org/10.1 109/CIG.2012.6374145 Brayshaw, D.L., Harrison, M.F., 2005 0.52
A quasi steady state approach to race car lap simulation in order to understand the effects of racing line and centre of gravity location. レースラインと重心位置の影響を理解するために、レースカーラップシミュレーションへの準定常アプローチ。 0.56
Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 219(6), pp.725-739. Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 219(6), pp. 725-739。 0.92
https://doi.org/10.1 243/095440705X11211 Cardamone, L., Loiacono, D., Lanzi, P.L.,Bardelli, A.P., 2010. https://doi.org/10.1 243/095440705X11211 Cardamone, L., Loiacono, D., Lanzi, P.L.,Bardelli, A.P., 2010。 0.67
Searching for the optimal racing line using genetic algorithms. 遺伝的アルゴリズムを用いた最適なレースラインの探索 0.86
IEEE Conference on Computational Intelligence and Games. IEEE Conference on Computational Intelligence and Games(英語) 0.84
https://doi.org/10.1 109/ITW.2010.5593330 Casanova, D., 2000. https://doi.org/10.1 109/ITW.2010.5593330 Casanova, D., 2000 0.50
On minimum time vehicle manoeuvring: The theoretical optimal lap. 最小時間の車両操作:理論的に最適なラップ。 0.72
PhD thesis, Cranfield University. クランフィールド大学博士号取得。 0.66
https://hdl.handle.n et/1826/1091 Christ, F., Wischnewski, A., Heilmeier, A., Lohmann, B., 2019. https://hdl.handle.n et/1826/1091 Christ, F., Wischnewski, A., Heilmeier, A., Lohmann, B., 2019 0.83
Time-optimal trajectory planning for a race car considering variable tyre-road friction coefficients. 可変タイヤロード摩擦係数を考慮したレースカーの時間最適軌道計画 0.80
Vehicle System Dynamics, pp.1-25. 車両システムダイナミクス、p.1-25。 0.65
https://doi.org/10.1 080/00423114.2019.17 04804 Colunga, I.F., Bradley, A., 2014. https://doi.org/10.1 080/00423114.2019.17 04804 Colunga, I.F., Bradley, A., 2014 0.56
Modelling of transient cornering and suspension dynamics, and investigation into the control strategies for an ideal driver in a lap time simulator. 一時的なコーナーリングとサスペンションダイナミクスのモデリング、ラップタイムシミュレータにおける理想的なドライバーの制御戦略の調査。 0.83
Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 228(10), pp.1185-1199. Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 228(10), pp.1185-1199 0.91
https://doi.org/10.1 177/0954407014525362 https://doi.org/10.1 177/0954407014525362 0.34
18 18 0.85
英語(論文から抽出)日本語訳スコア
Culley, J., Garlick, S., Esteller, E.G., Georgiev, P., Fursa, I., Vander Sluis, I., Ball, P., Bradley, A., 2020. Culley, J., Garlick, S., Esteller, E.G., Georgiev, P., Fursa, I., Vander Sluis, I., Ball, P., Bradley, A., 2020。 0.89
System Design for a Driverless Autonomous Racing Vehicle. 自律走行車のためのシステム設計 0.55
Communication Systems, Networks and Digital Signal Processing (CSNDSP) (pp. 通信システム、ネットワークおよびデジタル信号処理(CSNDSP)(pp。 0.76
1-6). IEEE. 1-6). IEEE。 0.81
https://doi.org/10.1 109/CSNDSP49049.2020 .9249626 Dal Bianco, N., Bertolazzi, E., Biral, F., Massaro, M., 2019. https://doi.org/10.1 109/CSNDSP49049.2020 .9249626 Dal Bianco, N., Bertolazzi, E., Biral, F., Massaro, M., 2019 0.73
Comparison of direct and indirect methods for minimum lap time optimal control problems. 最小ラップ時間最適制御問題に対する直接法と間接法の比較 0.80
Vehicle System Dynamics, 57(5), pp.665-696. Car System Dynamics, 57(5), pp. 665-696。 0.84
https://doi.org/10.1 080/00423114.2018.14 80048 Dal Bianco, N., Lot, R. and Gadola, M., 2018. https://doi.org/10.1 080/00423114.2018.14 80048 Dal Bianco, N., Lot, R. and Gadola, M., 2018 0.66
Minimum time optimal control simulation of a GP2 race car. GP2レースカーの最小時間最適制御シミュレーション。 0.73
Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 232(9), pp.11801195. Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 232(9), pp. 11801195 0.81
https://doi.org/10.1 177/0954407017728158 Dozat, T., 2016. https://doi.org/10.1 177/0954407017728158 Dozat, T., 2016 0.60
Incorporating Nesterov momentum into Adam. ネステロフ運動量をアダムに組み込む。 0.42
International Conference on Learning Representations Workshop. International Conference on Learning Representations Workshop(英語) 0.83
1–4. Erlien, S.M., Fujita, S., Gerdes, J.C., 2013. 1–4. Erlien, S.M., Fujita, S., Gerdes, J.C., 2013 0.83
Safe driving envelopes for shared control of ground vehicles. 地上車両の共有制御のための安全な運転封筒。 0.73
IFAC Proceedings Volumes, 46(21), pp.831-836. IFAC Proceedings Volumes, 46(21), pp.831-836。 0.87
https://doi.org/10.3 182/20130904-4-JP-20 42.00096 Fridman, L., Ding, L., Jenik, B., Reimer, B., 2019. https://doi.org/10.3 182/20130904-4-JP-20 42.00096 Fridman, L., Ding, L., Jenik, B., Reimer, B., 2019 0.66
Arguing machines: Human supervision of black box AI systems that make life-critical decisions. Arguing Machine: ライフクリティカルな決定を行うブラックボックスAIシステムの人間による監視。 0.79
IEEE Conference on Computer Vision and Pattern Recognition Workshops. IEEE Conference on Computer Vision and Pattern Recognition Workshops(英語) 0.89
https://doi.org/10.1 109/cvprw.2019.00173 Gulcehre, C., Moczulski, M., Denil, M., Bengio, Y., 2016. https://doi.org/10.1 109/cvprw.2019.00173 Gulcehre, C., Moczulski, M., Denil, M., Bengio, Y., 2016 0.73
Noisy activation functions. 騒々しい活発化機能。 0.65
In International conference on machine learning (pp. international conference on machine learning (pp) にて発表。 0.85
3059-3068). 3059-3068). 0.78
arXiv preprint arXiv:1603.00391 Heilmeier, A., Wischnewski, A., Hermansdorfer, L., Betz, J., Lienkamp, M., Lohmann, B., 2019. arXiv preprint arXiv:1603.00391 Heilmeier, A., Wischnewski, A., Hermansdorfer, L., Betz, J., Lienkamp, M., Lohmann, B., 2019。 0.96
Minimum curvature trajectory planning and control for an autonomous race car. 自律走行車における最小曲率軌道計画と制御 0.71
Vehicle System Dynamics, pp.1-31. 車両システムダイナミクス、p.1-31。 0.61
https://doi.org/10.1 080/00423114.2019.16 31455 Huber, P.J., 2004. https://doi.org/10.1 080/00423114.2019.16 31455 Huber, P.J., 2004 0.46
Robust statistics (Vol. ロバスト統計 (Vol)。 0.81
523). John Wiley & Sons. 523). ジョン・ワイリー&サンズ。 0.73
https://doi.org/10.1 002/0471725250 Jain, A., Morari, M., 2020. https://doi.org/10.1 002/0471725250 Jain, A., Morari, M., 2020 0.71
Computing the racing line using Bayesian optimization. ベイズ最適化を用いたレースラインの計算。 0.69
arXiv preprint arXiv:2002.04794. arXiv preprint arXiv:2002.04794 0.72
Kapania, N.R., 2016. カパニア、N.R.、2016。 0.53
Trajectory planning and control for an autonomous race vehicle. 自律レース車両の軌道計画と制御。 0.59
Stanford University. スタンフォード大学出身。 0.66
https://ddl.stanford .edu/publications/tr ajectory-planning-an d-control-autonomous -racevehicle Kapania, N.R., Subosits, J., Christian Gerdes, J., 2016. https://ddl.stanford .edu/publications/tr ajectory-planning-an d-control-autonomous -racevehicle Kapania, N.R., Subosits, J., Christian Gerdes, J., 2016 0.55
A sequential two-step algorithm for fast generation of vehicle racing trajectories. 車両レース軌道の高速生成のための連続2ステップアルゴリズム。 0.85
Journal of Dynamic Systems, Measurement, and Control, 138(9). journal of dynamic systems, measurement, and control, 138(9)を参照。 0.84
https://doi.org/10.1 115/1.4033311 Kelly, D. P., 2008. https://doi.org/10.1 115/1.4033311 Kelly, D. P., 2008 0.55
Lap time simulation with transient vehicle and tyre dynamics. 過渡車両とタイヤ動力学を用いたラップタイムシミュレーション 0.83
PhD thesis, Cranfield University. クランフィールド大学博士号取得。 0.66
https://dspace.lib.c ranfield.ac.uk/handl e/1826/4791 Lathuilière, S., Mesejo, P., Alameda-Pineda, X., Horaud, R., 2019. https://dspace.lib.c ranfield.ac.uk/handl e/1826/4791 Lathuilière, S., Mesejo, P., Alameda-Pineda, X., Horaud, R., 2019 0.66
A comprehensive analysis of deep regression. 深い回帰の包括的な分析。 0.76
IEEE transactions on pattern analysis and machine intelligence. パターン分析とマシンインテリジェンスに関するIEEEトランザクション。 0.75
https://doi.org/10.1 109/TPAMI.2019.29105 23 https://doi.org/10.1 109/TPAMI.2019.29105 23 0.26
19 19 0.85
英語(論文から抽出)日本語訳スコア
Lenzo, B., Rossi, V., 2020. Lenzo, B., Rossi, V., 2020。 0.83
A Simple Mono-Dimensional Approach for Lap Time Optimisation. ラップ時間最適化のための単純単次元アプローチ 0.75
Applied Sciences, 10(4), p.1498. 応用科学、10(4)、p.1498。 0.80
https://doi.org/10.3 390/app10041498 Lot, R., Dal Bianco, N., 2015. https://doi.org/10.3 390/app10041498 Lot, R., Dal Bianco, N., 2015 0.69
The significance of high-order dynamics in lap time simulations. ラップタイムシミュレーションにおける高次ダイナミクスの重要性 0.76
The Dynamics of Vehicles on Roads and Tracks: International Association for Vehicle System Dynamics (IAVSD 2015), pp. The Dynamics of Vehicles on Roads and Tracks: International Association for Vehicle System Dynamics (IAVSD 2015), pp。 0.79
553–562. https://doi.org/10.1 201/b21185-59 National Highway Traffic Safety Administration, US Department of Transportation, 2015. 553–562. https://doi.org/10.1 201/b21185-59 National Highway Traffic Safety Administration, US Department of Transportation, 2015 0.69
Critical reasons for crashes investigated in the national motor vehicle crash causation survey, Traffic Safety Facts, No. 国家自動車事故原因調査、交通安全の事実で調査された衝突の重大な理由、いいえ。 0.72
DOT HS 812 115. DOT HS 812 115。 0.78
Patil, M., Johri, A., Sharma, V., Kaushik, V., 2016. Patil、M.、Johri、A.、Sharma、V.、Kaushik、V.、2016。 0.80
Analyzing the performance of a formula type race car using lap time simulation. ラップタイムシミュレーションを用いたフォーミュラ型レースカーの性能解析 0.62
Indian Journal of Science and Technology, 9(39). Indian Journal of Science and Technology, 9(39)を参照。 0.89
https://doi.org/10.1 7485/ijst/2016/v9i39 /94146 Perantoni, G., Limebeer, D.J., 2014. https://doi.org/10.1 7485/ijst/2016/v9i39 /94146 Perantoni, G., Limebeer, D.J., 2014 0.47
Optimal control for a formula one car with variable parameters. 可変パラメータを持つフォーミュラ1車のための最適制御。 0.77
Vehicle System Dynamics, 52(5), pp.653-678. Car System Dynamics, 52(5), pp.653-678。 0.84
https://doi.org/10.1 080/00423114.2014.88 9315 Perantoni, G., Limebeer, D.J., 2015. https://doi.org/10.1 080/00423114.2014.88 9315 Perantoni, G., Limebeer, D.J., 2015 0.55
Optimal control of a formula one car on a three-dimensional track— Part 1: Track modeling and identification. 3次元トラック上のフォーミュラ1カーの最適制御 - その1:モデリングと識別を追跡します。 0.78
Journal of Dynamic Systems, Measurement, and Control, 137(5). journal of dynamic systems, measurement, and control, 137(5) を参照。 0.84
https://doi.org/10.1 115/1.4029466 Redmon, J., Farhadi, A., 2018. https://doi.org/10.1 115/1.4029466 Redmon, J., Farhadi, A., 2018 0.63
Yolov3: An incremental improvement. yolov3: 漸進的な改善。 0.79
arXiv preprint arXiv:1804.02767 Roh, Y., Heo, G., Whang, S.E., 2019. arXiv preprint arXiv:1804.02767 Roh, Y., Heo, G., Whang, S.E., 2019 0.92
A survey on data collection for machine learning: a big data-ai integration perspective. 機械学習のためのデータ収集に関する調査:ビッグデータAI統合の視点。 0.83
IEEE Transactions on Knowledge and Data Engineering. IEEEの知識とデータエンジニアリングに関する取引。 0.85
https://doi.org/10.1 109/TKDE.2019.294616 2 Salem, M., Mora, A.M., Merelo, J.J., 2019. https://doi.org/10.1 109/TKDE.2019.294616 2 Salem, M., Mora, A.M., Merelo, J.J., 2019 0.60
Beating uncertainty in racing bot evolution through enhanced exploration and pole position selection. 探索と極位置選択の強化によるレースボットの進化の不確実性を打ち破る。 0.63
IEEE Conference on Games (CoG) (pp. IEEE Conference on Games (CoG) (pp。 0.79
1-8). IEEE. 1-8). IEEE。 0.81
https://doi.org/10.1 109/CIG.2019.8847998 Siegler, B., Deakin, A., Crolla, D., 2000. https://doi.org/10.1 109/CIG.2019.8847998 Siegler, B., Deakin, A., Crolla, D., 2000 0.68
Lap time simulation: Comparison of steady state, quasi-static and transient racing car cornering strategies. ラップタイムシミュレーション:安定した状態、準静電および過渡レーシングカーコーナーング戦略の比較。 0.77
SAE transactions, pp.2575-2581. SAEトランザクション、p.2575-2581。 0.53
https://doi.org/10.4 271/2000-01-3563 Skeete, J.P., 2019. https://doi.org/10.4 271/2000-01-3563 Skeete, J.P., 2019 0.47
The obscure link between motorsport and energy efficient, low-carbon innovation: Evidence from the UK and European Union. モータースポーツとエネルギー効率の悪い低炭素イノベーションのあいまいな結びつき:英国と欧州連合からの証拠。 0.75
Journal of Cleaner Production, 214, pp.674-684. Journal of Cleaner Production, 214, pp.674-684。 0.80
https://doi.org/10.1 016/j.jclepro.2019.0 1.048 Stone, M., 1974. https://doi.org/10.1 016/j.jclepro.2019.0 1.048 Stone, M., 1974 0.43
Cross‐validatory choice and assessment of statistical predictions. 統計的予測の相互評価的選択と評価 0.76
Journal of the Royal Statistical Society: Series B (Methodological), 36(2), pp.111-133. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), pp.111-133。 0.89
https://doi.org/10.1 111/j.25176161.1974. tb00994.x Tampuu, A., Matiisen, T., Semikin, M., Fishman, D., Muhammad, N., 2020. https://doi.org/10.1 111/j.25176161. 1974.tb00994.x Tampuu, A., Matiisen, T., Semikin, M., Fishman, D., Muhammad, N., 2020 0.69
A survey of end-to-end driving: Architectures and training methods. エンドツーエンドの駆動に関する調査: アーキテクチャとトレーニング方法。 0.72
IEEE Transactions on Neural Networks and Learning Systems. IEEE Transactions on Neural Networks and Learning Systems 0.72
https://doi.org/10.1 109/TNNLS.2020.30435 05 https://doi.org/10.1 109/TNNLS.2020.30435 05 0.26
20 20 0.85
英語(論文から抽出)日本語訳スコア
TUMFTM, 2019. TUMFTM、2019年。 0.84
TUMFTM/global_racetr ajectory_optimizatio n, GitHub. TUMFTM/global_racetr ajectory_optimizatio n, GitHub 0.55
Available at: https://github.com/T UMFTM/global_racetra jectory_optimization [dataset] TUMFTM, 2020. https://github.com/T UMFTM/global_racetra jectory_optimization [dataset] TUMFTM, 2020 0.70
Racetrack-Database. Racetrack-Database 0.80
https://github.com/T UMFTM/racetrack-data base Wang, R., Jing, H., Hu, C., Yan, F., Chen, N., 2016. https://github.com/T UMFTM/racetrack-data base Wang, R., Jing, H., Hu, C., Yan, F., Chen, N., 2016 0.87
Robust H∞ Path Following Control for Autonomous Ground Vehicles With Delay and Data Dropout. 遅延・データ欠落を考慮した自律地上車両のロバストh∞経路追従制御 0.69
IEEE Transactions on Intelligent Transportation Systems, 17(7), pp.2042-2050. IEEE Transactions on Intelligent Transportation Systems, 17(7), pp.2042-2050。 0.93
https://doi.org/10.1 109/TITS.2015.249815 7 Weiss, T., Behl, M., 2020. https://doi.org/10.1 109/TITS.2015.249815 7 Weiss, T., Behl, M., 2020 0.61
DeepRacing: Parameterized Trajectories for Autonomous Racing. DeepRacing: 自律レースのためのパラメータ化された軌道。 0.57
arXiv preprint arXiv:2005.05178. arXiv preprint arXiv:2005.05178 0.72
Veneri, M., Massaro, M., 2019. Veneri、M.、Massaro、M.、2019。 0.77
A Free-Trajectory Quasi-steady-state Optimal-Control Method for Minimum-Time Problems of Cars and Motorcycles. 車とオートバイの最小時間問題に対する自由軌道準定常状態最適制御法 0.72
Dynamics of Vehicles on Roads and Tracks (pp. 道路と線路における車両のダイナミクス(pp。 0.76
1264-1270). 1264-1270). 0.78
Springer, Cham. https://doi.org/10.1 080/00423114.2019.16 08364 Vesel, R., 2015. バネ、チャム。 https://doi.org/10.1 080/00423114.2019.16 08364 Vesel, R., 2015 0.49
Racing line optimization@ race optimal. レースライン最適化@レース最適。 0.75
ACM SIGEVOlution, 7(2-3), pp.12-20. ACM SIGEVOlution, 7(2-3), pp.12-20。 0.75
https://doi.org/10.1 145/2815474.2815476 Völkl, T., Muehlmeier, M., Winner, H., 2013. https://doi.org/10.1 145/2815474.2815476 Völkl, T., Muehlmeier, M., Winner, H., 2013 0.72
Extended steady state lap time simulation for analyzing transient vehicle behavior. 過渡的車両挙動解析のための定常ラップタイムシミュレーションの拡張。 0.83
SAE International Journal of Passenger Cars-Mechanical Systems, 6(201301-0806), pp.283-292. SAE International Journal of Passenger Cars-Mechanical Systems, 6(201301-0806), pp.283-292。 0.78
https://doi.org/10.4 271/2013-01-0806 https://doi.org/10.4 271/2013-01-0806 0.26
21 21 0.85
                                           ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。