Fugu-MT 論文翻訳(概要): Physics-inspired Neural Networks for Parameter Learning of Adaptive Cruise Control Systems

論文の概要: Physics-inspired Neural Networks for Parameter Learning of Adaptive Cruise Control Systems

arxiv url: http://arxiv.org/abs/2309.01211v2
Date: Fri, 10 May 2024 08:47:37 GMT
ステータス: 処理完了
システム内更新日: 2024-05-13 20:36:56.407719
Title: Physics-inspired Neural Networks for Parameter Learning of Adaptive Cruise Control Systems
Title（参考訳）: 適応型クルーズ制御系のパラメータ学習のための物理インスピレーションニューラルネットワーク
Authors: Theocharis Apostolakis, Konstantinos Ampountolas,
Abstract要約: 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。開発したPiNNは、ACC搭載車両の縦方向のダイナミクスの代理モデルとして機能する。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）: 3.522062800701924
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
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 PiNNs allow the integration of physical laws directly into the learning process. The ability of the PiNN to infer the unknown ACC parameters is meticulously assessed 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 $\mathcal{L}_2$ nor $\mathcal{L}_\infty$ 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。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。 PiNNは、物理法則を直接学習プロセスに統合することを可能にする。 PNNが未知のACCパラメータを推測する能力は、小隊形成におけるACC導入車両の空間ギャップと相対速度の合成データと高忠実な実験データの両方を用いて慎重に評価される。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。 PNNから得られたACCモデルパラメータの集合は、3つの実験キャンペーンで検討された車両のACC系が$\mathcal{L}_2$でも$\mathcal{L}_\infty$strongでも安定でもないことを明らかにした。

関連論文リスト

Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems [2.8730926763860687]
物理インフォームドニューラルネットワーク(PINN)は、物理方程式を用いて訓練され、データから学習することで、モデル化されていない効果を組み込むことができる。本稿では、大規模で複雑な非線形力学系を扱う場合のPINCの現在の限界に対処するために、ドメイン分離された物理情報ニューラルネットワーク(DD-PINN)を導入する。
論文参考訳（メタデータ） (2024-08-27T10:54:51Z)
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)
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)
ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文参考訳（メタデータ） (2023-01-19T19:45:42Z)
Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文参考訳（メタデータ） (2022-05-27T03:24:31Z)
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)
Indirect and Direct Training of Spiking Neural Networks for End-to-End Control of a Lane-Keeping Vehicle [12.137685936113384]
生物学的シナプス可塑性に基づくスパイクニューラルネットワーク(SNN)の構築は、高速でエネルギー効率のよい計算を実現するための有望な可能性を秘めている。本稿では,車線維持車両におけるSNNの間接的および直接的エンドツーエンドのトレーニング手法について紹介する。
論文参考訳（メタデータ） (2020-03-10T09:35:46Z)
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。