論文の概要: Lateral Force Prediction using Gaussian Process Regression for Intelligent Tire Systems

• arxiv url: http://arxiv.org/abs/2009.12463v1
• Date: Fri, 25 Sep 2020 22:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:35:28.437674
• Title: Lateral Force Prediction using Gaussian Process Regression for Intelligent Tire Systems
• Title（参考訳）: ガウス過程回帰を用いたインテリジェントタイヤシステムの横力予測
• Authors: Bruno Henrique Groenner Barbosa, Nan Xu, Hassan Askari, Amir Khajepour
• Abstract要約: 提案したインテリジェントタイヤシステムは,高すべり角度であってもタイヤと道路の相互作用について信頼性の高い情報を提供することができる。 GPRに基づく横力モデルは、許容精度で力を予測することができ、車両制御戦略の設計に非常に有用な不確実性レベルを提供する。
• 参考スコア（独自算出の注目度）: 18.705500907478015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the dynamic behavior of tires and their interactions with road plays an important role in designing integrated vehicle control strategies. Accordingly, having access to reliable information about the tire-road interactions through tire embedded sensors is very demanding for developing enhanced vehicle control systems. Thus, the main objectives of the present research work are i. to analyze data from an experimental accelerometer-based intelligent tire acquired over a wide range of maneuvers, with different vertical loads, velocities, and high slip angles; and ii. to develop a lateral force predictor based on a machine learning tool, more specifically the Gaussian Process Regression (GPR) technique. It is delineated that the proposed intelligent tire system can provide reliable information about the tire-road interactions even in the case of high slip angles. Besides, the lateral forces model based on GPR can predict forces with acceptable accuracy and provide level of uncertainties that can be very useful for designing vehicle control strategies.
• Abstract（参考訳）: タイヤの動的挙動と道路との相互作用を理解することは統合車両制御戦略の設計において重要な役割を果たす。 したがって、タイヤ組込みセンサーによるタイヤと道路の相互作用に関する信頼性の高い情報にアクセスできることは、車両制御システムの開発に非常に要求される。 したがって,本研究の主な目的はiである。 様々な垂直荷重、速度、高い滑り角で、幅広い操作で得られた実験的な加速度計ベースのインテリジェントタイヤのデータを分析する。 機械学習ツール、具体的にはガウスプロセス回帰(GPR)技術に基づく横力予測器を開発する。 提案したインテリジェントタイヤシステムは,高すべり角度であってもタイヤと道路の相互作用について信頼性の高い情報を提供できる。 さらに、GPRに基づく横力モデルは、許容精度で力を予測することができ、車両制御戦略の設計に非常に有用な不確実性レベルを提供することができる。

関連論文リスト

• Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies [1.3499500088995464]
  リアルタイムドリフト戦略は、高価な軌道最適化を回避しながら、必要な場所に車を配置した。 本研究では,タイヤエネルギー吸収の概念に基づく強化学習エージェントを設計する。 トヨタ GR Supra と Lexus LC 500 の実験では、車体を63degのサイドスリップ角度まで安定して押しながら、追跡誤差を最大10cmに抑えながら、様々なウェイポイント構成でスムーズにドリフトできることが示されている。
  論文  参考訳（メタデータ） (2024-10-28T13:10:15Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• PhysORD: A Neuro-Symbolic Approach for Physics-infused Motion Prediction in Off-road Driving [12.396596614575559]
  自動オフロード運転には運動予測が不可欠である。 従来の物理学に基づくアプローチは、力学系と外乱を正確にモデル化することの難しさに直面する。 オフロード運転時の動作予測のためのデータ駆動型ニューラルモデルに保存則を統合するニューラルシンボリックアプローチであるPhysORDを提案する。
  論文  参考訳（メタデータ） (2024-04-02T02:36:31Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
  本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。 設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
  論文  参考訳（メタデータ） (2023-06-20T11:41:01Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Self-adaptive Torque Vectoring Controller Using Reinforcement Learning [6.8390297905731625]
  トルクベクトルコントローラなどの連続直接ヨーモーメント制御システムは、車両の安定化に不可欠な部品です。 トルクベクトル制御器のパラメータを注意深くチューニングする能力は、車両の性能と安定性を著しく向上させることができる。 トルクベクトル制御のためのパラメータチューニングアルゴリズムとして、DDPG(Deep Deterministic Policy Gradient)に基づく強化学習(RL)の有用性を示す。
  論文  参考訳（メタデータ） (2021-03-27T12:39:56Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。