論文の概要: Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control
- arxiv url: http://arxiv.org/abs/2305.00676v1
- Date: Mon, 1 May 2023 06:09:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 13:50:59.023330
- Title: Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control
- Title（参考訳）: モデル予測経路積分制御を用いた自律オフロードラリー駆動のための地形認識キノダイナミックモデル学習
- Authors: Hojin Lee, Taekyung Kim, Jungwi Mun, Wonsuk Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.63467234317663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-speed autonomous driving in off-road environments has immense potential
for various applications, but it also presents challenges due to the complexity
of vehicle-terrain interactions. In such environments, it is crucial for the
vehicle to predict its motion and adjust its controls proactively in response
to environmental changes, such as variations in terrain elevation. To this end,
we propose a method for learning terrain-aware kinodynamic model which is
conditioned on both proprioceptive and exteroceptive information. The proposed
model generates reliable predictions of 6-degree-of-freedom motion and can even
estimate contact interactions without requiring ground truth force data during
training. This enables the design of a safe and robust model predictive
controller through appropriate cost function design which penalizes sampled
trajectories with unstable motion, unsafe interactions, and high levels of
uncertainty derived from the model. We demonstrate the effectiveness of our
approach through experiments on a simulated off-road track, showing that our
proposed model-controller pair outperforms the baseline and ensures robust
high-speed driving performance without control failure.
- Abstract（参考訳）: オフロード環境での高速自動運転は、様々な応用に多大な可能性があるが、車両と陸上の相互作用の複雑さによる課題もある。
このような環境では、車両が動きを予測し、地形の標高の変動など環境の変化に応じて積極的に制御を調整することが重要である。
そこで本研究では, 固有受容情報と外受容情報の両方に基づいて, 地形認識型キノダイナミックモデルを学ぶ手法を提案する。
提案モデルでは,6自由度運動の信頼度予測が生成され,訓練中に接点間相互作用を推定できる。
これにより、不安定な動き、不安定な相互作用、モデルから派生した高い不確実性を伴うサンプル軌道をペナルティ化する適切なコスト関数設計により、安全で堅牢なモデル予測コントローラの設計が可能になる。
本手法の有効性をシミュレーションしたオフロード軌道実験により実証し,提案するモデル・コントローラペアがベースラインを上回り,制御障害のない堅牢な高速運転性能を確保できることを示す。
関連論文リスト
- Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
本稿では,自律走行のための新しい軌道予測モデルを提案する。
本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。
提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
論文 参考訳（メタデータ） (2024-11-25T15:03:44Z) - FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。
車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。
種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
論文 参考訳（メタデータ） (2024-11-23T23:13:45Z) - Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。
本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
論文 参考訳（メタデータ） (2024-08-06T13:58:56Z) - 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) - Safe Navigation in Unstructured Environments by Minimizing Uncertainty
in Control and Perception [5.46262127926284]
制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。
本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-26T11:24:03Z) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳（メタデータ） (2023-03-27T02:55:56Z) - 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) - Isolating and Leveraging Controllable and Noncontrollable Visual
Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。
まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。
第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文 参考訳（メタデータ） (2022-05-27T08:07:39Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z)
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。