Fugu-MT 論文翻訳(概要): Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes

論文の概要: Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes

arxiv url: http://arxiv.org/abs/2306.03405v1
Date: Tue, 6 Jun 2023 04:53:06 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 17:23:11.009792
Title: Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes
Title（参考訳）: ガウス過程を用いた自律走行車のダイナミクスモデリング
Authors: Jingyun Ning and Madhur Behl
Abstract要約: 本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築した。
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: Autonomous racing is increasingly becoming a proving ground for autonomous vehicle technology at the limits of its current capabilities. The most prominent examples include the F1Tenth racing series, Formula Student Driverless (FSD), Roborace, and the Indy Autonomous Challenge (IAC). Especially necessary, in high speed autonomous racing, is the knowledge of accurate racecar vehicle dynamics. The choice of the vehicle dynamics model has to be made by balancing the increasing computational demands in contrast to improved accuracy of more complex models. Recent studies have explored learning-based methods, such as Gaussian Process (GP) regression for approximating the vehicle dynamics model. However, these efforts focus on higher level constructs such as motion planning, or predictive control and lack both in realism and rigor of the GP modeling process, which is often over-simplified. This paper presents the most detailed analysis of the applicability of GP models for approximating vehicle dynamics for autonomous racing. In particular we construct dynamic, and extended kinematic models for the popular F1TENTH racing platform. We investigate the effect of kernel choices, sample sizes, racetrack layout, racing lines, and velocity profiles on the efficacy and generalizability of the learned dynamics. We conduct 400+ simulations on real F1 track layouts to provide comprehensive recommendations to the research community for training accurate GP regression for single-track vehicle dynamics of a racecar.
Abstract（参考訳）: 自動運転レースは、現在の能力の限界において、自動運転車技術の実証地になりつつある。最も有名な例としては、f110レースシリーズ、フォーミュラ・学生ドライバーレス(fsd)、ロボレース、インディ自動運転チャレンジ(iac)などがある。特に高速自動レースでは、正確なレースカーの動力学の知識が必要とされる。車両力学モデルの選択は、より複雑なモデルの精度を改善するのとは対照的に、増大する計算要求のバランスをとることで行う必要がある。近年,車両力学モデルを近似するためのガウス過程(GP)回帰などの学習に基づく手法が研究されている。しかしながら、これらの取り組みは、運動計画や予測制御のような高次構造に重点を置いており、GPモデリングプロセスのリアリズムと厳密さが欠如している。本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。特に、人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築する。本研究では,カーネル選択,サンプルサイズ,レーストラックレイアウト,レースライン,速度分布が学習力学の有効性と一般化性に及ぼす影響について検討する。実f1トラックレイアウト上で400以上のシミュレーションを行い,レースカーの単トラック車両ダイナミクスの正確なgp回帰を訓練するための研究コミュニティへの総合的な推奨を行った。

関連論文リスト

Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
論文参考訳（メタデータ） (2024-09-24T14:58:27Z)
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)
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)
Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Informed Neural Network for Autonomous Racing [0.0]
本稿では,自律走行車の車両動力学モデリングのための物理インフォームドニューラルネットワーク(PINN)であるDeep Dynamicsを紹介する。物理係数推定と力学方程式を組み合わせて、高速で車両状態を正確に予測する。物理ベースのシミュレータとフルスケールの自律型インディレースカーデータを使用したオープンループとクローズドループのパフォーマンス評価は、ディープダイナミクスをレースカーのダイナミックをモデル化するための有望なアプローチとして強調する。
論文参考訳（メタデータ） (2023-12-07T15:44:56Z)
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)
Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
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。
論文参考訳（メタデータ） (2022-07-22T15:16:54Z)
An Adaptive Human Driver Model for Realistic Race Car Simulations [25.67586167621258]
我々は、レースドライバーの振る舞いをよりよく理解し、模倣学習に基づく適応的な人間のレースドライバーモデルを導入する。我々のフレームワークは、ほぼ人間に近い性能で、目に見えないレーストラック上で、現実的な走行線分布を作成できることを示します。
論文参考訳（メタデータ） (2022-03-03T18:39:50Z)
Formula RL: Deep Reinforcement Learning for Autonomous Racing using Telemetry Data [4.042350304426975]
この問題を,車両のテレメトリと連続的な動作空間からなる多次元入力を用いて強化学習タスクとして構成する。我々は,2つの実験において,Deep Deterministic Policy gradient (DDPG) の10変種をレースに投入した。研究によると、rlでトレーニングされたモデルは、オープンソースの手作りロボットよりも高速に運転できるだけでなく、未知のトラックに一般化できる。
論文参考訳（メタデータ） (2021-04-22T14:40:12Z)
Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning [39.757652701917166]
本研究では,自律オーバーテイク問題に対する新たな学習手法を提案する。カーレースシミュレーターであるGran Turismo Sportによるアプローチの評価を行った。
論文参考訳（メタデータ） (2021-03-26T18:06:50Z)
Learning from Simulation, Racing in Reality [126.56346065780895]
ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
論文参考訳（メタデータ） (2020-11-26T14:58:49Z)
Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement Learning [39.719051858649216]
高忠実度物理カーシミュレーションを利用した自律走行車レース学習システムを提案する。私たちは、異なるレースカーとトラックのリアルな物理シミュレーションで知られている世界主導の自動車シミュレータであるGran Turismo Sportにシステムをデプロイしました。私たちのトレーニングされたポリシーは、組み込みAIによってこれまで達成された以上の自律的なレースパフォーマンスを実現しています。
論文参考訳（メタデータ） (2020-08-18T15:06:44Z)

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。