論文の概要: Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

• arxiv url: http://arxiv.org/abs/2306.06330v1
• Date: Sat, 10 Jun 2023 01:59:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 19:44:55.926235
• Title: Autonomous Drifting with 3 Minutes of Data via Learned Tire Models
• Title（参考訳）: 学習タイヤモデルによる3分間のデータによる自律ドリフト
• Authors: Franck Djeumou and Jonathan Y.M. Goh and Ufuk Topcu and Avinash Balachandran
• Abstract要約: 本稿では,ニューラル常微分方程式とニューラル-ExpTanhパラメータ化に基づくタイヤ力モデルを提案する。 カスタマイズされたToyota Supraによる実験では、高速な自律ドリフトを実現するのに十分な量の運転データが不足していることが示されている。
• 参考スコア（独自算出の注目度）: 20.974973258647896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Near the limits of adhesion, the forces generated by a tire are nonlinear and intricately coupled. Efficient and accurate modelling in this region could improve safety, especially in emergency situations where high forces are required. To this end, we propose a novel family of tire force models based on neural ordinary differential equations and a neural-ExpTanh parameterization. These models are designed to satisfy physically insightful assumptions while also having sufficient fidelity to capture higher-order effects directly from vehicle state measurements. They are used as drop-in replacements for an analytical brush tire model in an existing nonlinear model predictive control framework. Experiments with a customized Toyota Supra show that scarce amounts of driving data -- less than three minutes -- is sufficient to achieve high-performance autonomous drifting on various trajectories with speeds up to 45mph. Comparisons with the benchmark model show a $4 \times$ improvement in tracking performance, smoother control inputs, and faster and more consistent computation time.
• Abstract（参考訳）: 接着限界付近では、タイヤによって生じる力は非線形で複雑な結合である。 この地域の効率的かつ正確なモデリングは、特に高力を必要とする緊急時の安全性を向上させることができる。 そこで本研究では,ニューラル常微分方程式とニューラル-ExpTanhパラメータ化に基づくタイヤ力モデルを提案する。 これらのモデルは、物理的に洞察に富んだ仮定を満たすとともに、車両の状態測定から直接高次効果を捉えるのに十分な忠実さを持つように設計されている。 既存の非線形モデル予測制御フレームワークにおける解析的ブラシタイヤモデルのドロップイン置換として使用される。 トヨタ・スプラの実験では、運転データが少ない(3分未満)ため、高速で45mphの速度で高速な自動ドリフトを実現するのに十分であることが示された。 ベンチマークモデルと比較すると、パフォーマンスの追跡、制御入力のスムーズ化、高速で一貫性のある計算時間の改善が4 \times$で示されている。

関連論文リスト

• First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling [38.468291768795865]
  不安定なシステムでは、オンライン適応は信頼性の高い同時学習と制御を確保するのに十分ではないかもしれない。 高速なオンライン適応を実現するため,ベイジアン・メタラーニング MPC フレームワークを提案する。 Toyota Supraの実験は、このフレームワークがダイナミックドリフト操作における信頼性の高い制御を可能にすることを示している。
  論文  参考訳（メタデータ） (2024-10-31T18:02:30Z)
• Neural Network Tire Force Modeling for Automated Drifting [0.2999888908665658]
  本稿では,物理に基づくアプローチの代替として,前輪横力を予測するニューラルネットワークアーキテクチャを提案する。 我々はこれらのモデルを基準ドリフト軌跡を追跡するために調整された非線形モデル予測コントローラに展開する。
  論文  参考訳（メタデータ） (2024-07-18T17:58:01Z)
• 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)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Quantized Distillation: Optimizing Driver Activity Recognition Models for Resource-Constrained Environments [34.80538284957094]
  本稿では,資源効率の高いドライバアクティビティ認識のための軽量フレームワークを提案する。 このフレームワークは、ビデオ分類のスピードに最適化されたニューラルネットワークである3D MobileNetを強化する。 モデルサイズを3倍に削減し、推論時間を1.4倍改善する。
  論文  参考訳（メタデータ） (2023-11-10T10:07:07Z)
• 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)
• Formulation and validation of a car-following model based on deep reinforcement learning [0.0]
  深部強化学習に基づく新車追従モデルの提案と検証を行う。 当社のモデルは, 自由・自動車追従体制において, 外部に与えられた報酬関数を最大化するように訓練されている。 これらの報酬関数のパラメータは、Intelligent Driver Modelのような従来のモデルに類似している。
  論文  参考訳（メタデータ） (2021-09-29T08:27:12Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。