論文の概要: A Data-Driven Slip Estimation Approach for Effective Braking Control
under Varying Road Conditions
- arxiv url: http://arxiv.org/abs/2211.02558v1
- Date: Fri, 4 Nov 2022 16:24:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:11:34.319200
- Title: A Data-Driven Slip Estimation Approach for Effective Braking Control
under Varying Road Conditions
- Title（参考訳）: 道路条件の違いを考慮した制動制御のためのデータ駆動すべり推定手法
- Authors: F. Crocetti, G. Costante, M.L. Fravolini, P. Valigi
- Abstract要約: 多層ニューラルネットワークに基づく新しい推定アルゴリズムを提案する。
トレーニングは、広く使われている摩擦モデルから派生した合成データセットに基づいている。
実験結果とモデルベースラインとの比較により,提案手法が最適すべり推定に有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performances of braking control systems for robotic platforms, e.g.,
assisted and autonomous vehicles, airplanes and drones, are deeply influenced
by the road-tire friction experienced during the maneuver. Therefore, the
availability of accurate estimation algorithms is of major importance in the
development of advanced control schemes. The focus of this paper is on the
estimation problem. In particular, a novel estimation algorithm is proposed,
based on a multi-layer neural network. The training is based on a synthetic
data set, derived from a widely used friction model. The open loop performances
of the proposed algorithm are evaluated in a number of simulated scenarios.
Moreover, different control schemes are used to test the closed loop scenario,
where the estimated optimal slip is used as the set-point. The experimental
results and the comparison with a model based baseline show that the proposed
approach can provide an effective best slip estimation.
- Abstract（参考訳）: ロボットプラットフォームのためのブレーキ制御システム(例えば、補助車や自律走行車、航空機、ドローン)の性能は、操縦中に経験した路面摩擦に深く影響されている。
したがって、高精度な推定アルゴリズムの有効性は、高度な制御スキームの開発において重要である。
本稿では,推定問題に焦点をあてる。
特に,多層ニューラルネットワークに基づく新しい推定アルゴリズムを提案する。
トレーニングは、広く使われている摩擦モデルから派生した合成データセットに基づいている。
提案アルゴリズムのオープンループ性能は,いくつかのシミュレーションシナリオで評価されている。
さらに、最適スリップをセットポイントとして推定する閉ループシナリオをテストするために、異なる制御スキームが使用される。
実験結果とモデルベースラインとの比較により,提案手法が最適スリップ推定に有効であることが示された。
関連論文リスト
- Design and Realization of a Benchmarking Testbed for Evaluating
Autonomous Platooning Algorithms [8.440060524215378]
本稿では,搭載センサーを搭載した1/10スケール車両における小隊アルゴリズムの評価とベンチマークを行うテストベッドを提案する。
線形フィードバックと分散モデル予測制御の2つのバリエーションの3つのアルゴリズムを評価し、それらの結果を典型的な小隊シナリオと比較する。
分散モデル予測制御アルゴリズムは,ハードウェアやシミュレーションにおける線形フィードバックよりも優れていた。
論文 参考訳（メタデータ） (2024-02-14T15:22:24Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Model Predictive Control with Gaussian-Process-Supported Dynamical
Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。
マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文 参考訳（メタデータ） (2023-03-08T17:14:57Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Collision-Free Navigation using Evolutionary Symmetrical Neural Networks [0.0]
本稿では、反応衝突回避のための進化的ニューラルネットワークを用いた以前の研究を拡張した。
我々は、対称ニューラルネットワークと呼ばれる新しい手法を提案している。
この手法は,ネットワーク重み間の制約を強制することにより,モデルの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-29T13:02:14Z) - A deep learning approach for direction of arrival estimation using
automotive-grade ultrasonic sensors [0.0]
自動車級超音波センサを用いた到着方向推定のための深層学習手法を提案する。
提案手法が既存のアルゴリズムの既知の制限を克服する方法について実証した。
論文 参考訳（メタデータ） (2022-02-25T13:43:20Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Motion Planning for Autonomous Vehicles in the Presence of Uncertainty
Using Reinforcement Learning [0.0]
不確実性の下での運動計画は、自動運転車の開発における主要な課題の1つである。
最悪の事例を最適化して不確実性を管理するための強化学習に基づくソリューションを提案する。
提案手法は従来のRLアルゴリズムよりもはるかに優れた動作計画行動を示し,人間の運転スタイルと相容れない動作を示す。
論文 参考訳（メタデータ） (2021-10-01T20:32:25Z) - Safe and Efficient Model-free Adaptive Control via Bayesian Optimization [39.962395119933596]
適応制御のための純粋データ駆動型モデルフリーアプローチを提案する。
システムデータのみに基づく低レベルコントローラのチューニングは、アルゴリズムの安全性と計算性能に懸念を生じさせる。
我々は,提案手法がサンプル効率であり,安全性の観点から制約ベイズ最適化よりも優れており,グリッド評価によって計算された性能オプティマを達成することを数値的に示す。
論文 参考訳（メタデータ） (2021-01-19T19:15:00Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。