論文の概要: Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds

• arxiv url: http://arxiv.org/abs/2207.11136v1
• Date: Fri, 22 Jul 2022 15:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:45:32.226379
• Title: Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds
• Title（参考訳）: 高速多車両自律走行のための動作計画と制御
• Authors: Ayoub Raji, Alexander Liniger, Andrea Giove, Alessandro Toschi, Nicola Musiu, Daniele Morra, Micaela Verucchi, Danilo Caporale, Marko Bertogna
• Abstract要約: 本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
• 参考スコア（独自算出の注目度）: 100.61456258283245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a multi-layer motion planning and control architecture for autonomous racing, capable of avoiding static obstacles, performing active overtakes, and reaching velocities above 75 $m/s$. The used offline global trajectory generation and the online model predictive controller are highly based on optimization and dynamic models of the vehicle, where the tires and camber effects are represented in an extended version of the basic Pacejka Magic Formula. The proposed single-track model is identified and validated using multi-body motorsport libraries which allow simulating the vehicle dynamics properly, especially useful when real experimental data are missing. The fundamental regularization terms and constraints of the controller are tuned to reduce the rate of change of the inputs while assuring an acceptable velocity and path tracking. The motion planning strategy consists of a Fren\'et-Frame-based planner which considers a forecast of the opponent produced by a Kalman filter. The planner chooses the collision-free path and velocity profile to be tracked on a 3 seconds horizon to realize different goals such as following and overtaking. The proposed solution has been applied on a Dallara AV-21 racecar and tested at oval race tracks achieving lateral accelerations up to 25 $m/s^{2}$.
• Abstract（参考訳）: 本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案し,静的障害物を避け,アクティブオーバーテイクを行い,75ドル/秒以上の速度に達する。 使用済みのオフライングローバル軌跡生成とオンラインモデル予測コントローラは、タイヤとカムバー効果がベーシックなPacejka Magic Formulaの拡張バージョンで表現される車両の最適化と動的モデルに基づいている。 提案したシングルトラックモデルは,実実験データがない場合に,車両の動特性を適切にシミュレーションできるマルチボディモータースポーツライブラリを用いて同定し,検証する。 コントローラの基本正規化項と制約は、許容される速度と経路追跡を保証しながら入力の変化率を減少させるために調整される。 モーションプランニング戦略は、カルマンフィルタが生成する相手の予測を考慮したFren\'et-Frameベースのプランナーで構成される。 プランナーは、3秒の地平線で追跡される衝突のない経路と速度プロファイルを選択し、追従や乗っ取りといった異なる目標を達成する。 提案手法はダララのAV-21レースカーに適用され、楕円形レーストラックで最大25$m/s^{2}$まで加速試験された。

関連論文リスト

• An Online Spatial-Temporal Graph Trajectory Planner for Autonomous Vehicles [6.907105812732423]
  本稿では,安全で快適なトラジェクトリを生成するために,新しいオンライン時空間グラフトラジェクトリプランナを提案する。 プランナーをサポートするために、プランナーの運動的制約を決定する単純な振舞い層も提示される。 その結果,提案したプランナは,前方方向と同等の快適な乗り心地を実現しつつ,安全かつ実現可能な軌道を生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T15:22:29Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• 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)
• er.autopilot 1.0: The Full Autonomous Stack for Oval Racing at High Speeds [61.91756903900903]
  インディ・オートノラティカル・チャレンジ (IAC) は、オープンホイールのレースカー上で独立して開発されたソフトウェアを使用して、前例のないスピードとヘッド・ツー・ヘッドのシナリオで競う9つの自律レースチームを集めた。 本稿では,チームTII EuroRacing (TII-ER) が使用するソフトウェアアーキテクチャについて述べる。静的障害物を避け,アクティブオーバーテイクを行い,75m/s (270 km/h) 以上の速度に達するために必要なモジュールをすべて網羅する。 総合的な結果と各モジュールのパフォーマンス、および、チームがそれぞれ2番目と3番目を置く楕円軌道上の競技の最初の2つのイベントで学んだ教訓について説明する。
  論文  参考訳（メタデータ） (2023-10-27T12:52:34Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways [1.6791232288938656]
  密集したダイナミックシーンでは、軌道計画の失敗や他の人による切り込みが容易である。 本稿では,衝突関係のみを同時に解析する瞬時解析モデルを提案する。 実験結果から, 本手法は, 高密度な動的シナリオにおいて, 安全快適かつ車線変化軌道を計画できることが示された。
  論文  参考訳（メタデータ） (2021-03-19T17:10:50Z)
• End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep Reinforcement Learning [12.100265694989627]
  本稿では,Double Deep Q-networksという深層強化学習手法を提案し,エンドツーエンドの視覚ベースの適応クルーズ制御(ACC)システムを設計した。 強化学習モデルでは, 後続距離とスロットル/ブレーキ力に付随するよく設計された報酬関数が実装された。 提案システムは, 先行車両の異なる速度軌跡に適応し, リアルタイムに動作可能である。
  論文  参考訳（メタデータ） (2020-01-24T20:02:50Z)

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。