論文の概要: Physics-inspired Neural Networks for Parameter Learning of Adaptive
Cruise Control Systems
- arxiv url: http://arxiv.org/abs/2309.01211v1
- Date: Sun, 3 Sep 2023 16:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 20:55:26.484378
- Title: Physics-inspired Neural Networks for Parameter Learning of Adaptive
Cruise Control Systems
- Title(参考訳): 適応クルーズ制御系のパラメータ学習のための物理インスパイアニューラルネットワーク
- Authors: Theocharis Apostolakis and Konstantinos Ampountolas
- Abstract要約: 本稿では,商業的に実装されたACC(Adaptive Cruise Control)システムのパラメータを学習するための物理インスパイアされたニューラルネットワーク(PiNN)を提案し,開発する。
この結果は、異なる自動車メーカーのストックACCシステムの未知の設計パラメータを学習する上で、提案するPiNNの優れた予測能力を示している。
- 参考スコア(独自算出の注目度): 4.160850625751535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes and develops a physics-inspired neural network (PiNN) for
learning the parameters of commercially implemented adaptive cruise control
(ACC) systems in automotive industry. To emulate the core functionality of
stock ACC systems, which have proprietary control logic and undisclosed
parameters, the constant time-headway policy (CTHP) is adopted. Leveraging the
multi-layer artificial neural networks as universal approximators, the
developed PiNN serves as a surrogate model for the longitudinal dynamics of
ACC-engaged vehicles, efficiently learning the unknown parameters of the CTHP.
The ability of the PiNN to infer the unknown ACC parameters is meticulous
evaluated using both synthetic and high-fidelity empirical data of space-gap
and relative velocity involving ACC-engaged vehicles in platoon formation. The
results have demonstrated the superior predictive ability of the proposed PiNN
in learning the unknown design parameters of stock ACC systems from different
car manufacturers. The set of ACC model parameters obtained from the PiNN
revealed that the stock ACC systems of the considered vehicles in three
experimental campaigns are neither $L_2$ nor $L_\infty$ string stable.
- Abstract(参考訳): 本稿では,自動車産業におけるアクセプティブ・クルーズ・コントロール(ACC)システムのパラメータを学習するための物理刺激型ニューラルネットワーク(PiNN)を提案する。
プロプライエタリな制御ロジックと未開示パラメータを持つストックACCシステムのコア機能をエミュレートするために、CTHP(Constant Time-headway Policy)を採用する。
多層人工ニューラルネットワークを普遍近似器として活用し、開発したPiNNはACC搭載車両の縦方向ダイナミクスの代理モデルとして機能し、CTHPの未知のパラメータを効率的に学習する。
未知のaccパラメータを推定するピンの能力は、小隊形成におけるaccに係わる車両を含む空間gapと相対速度の合成データと高忠実度データの両方を用いて慎重に評価される。
提案手法は, 自動車メーカーのストックaccシステムの未知設計パラメータを学習する上で, 提案するピンの優れた予測能力を示す。
PNNから得られたACCモデルパラメータのセットは、3つの実験キャンペーンで検討された車両のACC系が$L_2$でも$L_\infty$でも安定でもないことを明らかにした。
関連論文リスト
- 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) - Partial End-to-end Reinforcement Learning for Robustness Against
Modelling Error in Autonomous Racing [0.0]
本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。
計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。
従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
論文 参考訳(メタデータ) (2023-12-11T14:27:10Z) - LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane
Change for ACC Application [4.693170687870612]
本稿では,Long Short-Term Memory(LSTM)に基づく適応クルーズ制御(ACC)システムを提案する。
このモデルは、カメラを装備したドローンの助けを借りて、ドイツの高速道路から取得した現実世界の高Dデータセットに基づいて構築されている。
LSTMに基づくシステムは,ANNモデルよりも19.25%精度が高く,MPCモデルよりも5.9%精度が高いことを示す。
論文 参考訳(メタデータ) (2023-05-01T21:33:40Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳(メタデータ) (2021-10-22T15:25:14Z) - Physics-informed Neural Networks-based Model Predictive Control for
Multi-link Manipulators [0.0]
物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。
本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。
PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
論文 参考訳(メタデータ) (2021-09-22T15:31:24Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳(メタデータ) (2021-05-20T17:52:37Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - Federated Learning on the Road: Autonomous Controller Design for
Connected and Autonomous Vehicles [109.71532364079711]
CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案
CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。
最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
論文 参考訳(メタデータ) (2021-02-05T19:57:47Z) - A Hybrid Objective Function for Robustness of Artificial Neural Networks
-- Estimation of Parameters in a Mechanical System [0.0]
本稿では,加速度プロファイルに基づく機械車両モデルのパラメータ推定の課題について考察する。
未知のパラメータが異なる車両モデル群に対するパラメータを予測できる畳み込みニューラルネットワークアーキテクチャを導入する。
論文 参考訳(メタデータ) (2020-04-16T15:06:43Z) - 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。