論文の概要: Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Vehicles

• arxiv url: http://arxiv.org/abs/2404.12474v1
• Date: Thu, 18 Apr 2024 19:11:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 16:54:13.340637
• Title: Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Vehicles
• Title（参考訳）: 車両の不均一プラトンに対する安定で安全な分散フィードバック制御器の学習
• Authors: Michael H. Shaham, Taskin Padir,
• Abstract要約: 異種小隊のための安定で安全な分散制御系を学習するためのアルゴリズムを提案する。 我々のアルゴリズムは、ニューラルネットワークの安定性と安全性証明書の学習における最近の進歩に依存している。
• 参考スコア（独自算出の注目度）: 5.289123253466164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Platooning of autonomous vehicles has the potential to increase safety and fuel efficiency on highways. The goal of platooning is to have each vehicle drive at some speed (set by the leader) while maintaining a safe distance from its neighbors. Many prior works have analyzed various controllers for platooning, most commonly linear feedback and distributed model predictive controllers. In this work, we introduce an algorithm for learning a stable, safe, distributed controller for a heterogeneous platoon. Our algorithm relies on recent developments in learning neural network stability and safety certificates. We train a controller for autonomous platooning in simulation and evaluate its performance on hardware with a platoon of four F1Tenth vehicles. We then perform further analysis in simulation with a platoon of 100 vehicles. Experimental results demonstrate the practicality of the algorithm and the learned controller by comparing the performance of the neural network controller to linear feedback and distributed model predictive controllers.
• Abstract（参考訳）: 自動運転車のプラトゥーイングは、高速道路の安全性と燃料効率を高める可能性がある。 小隊の目標は、各車両を(リーダーが設定した)一定の速度で運転させ、隣人から安全な距離を維持することである。 以前の多くの研究は、小隊化のための様々なコントローラ、最も一般的な線形フィードバック、分散モデル予測コントローラを分析してきた。 本研究では,不均一小隊のための安定で安全な分散制御系を学習するためのアルゴリズムを提案する。 我々のアルゴリズムは、ニューラルネットワークの安定性と安全性証明書の学習における最近の進歩に依存している。 シミュレーションで自律小隊を訓練し、4台のF110車両からなる小隊によるハードウェアの性能評価を行う。 次に、100台の小隊によるシミュレーションでさらなる解析を行う。 ニューラルネットワーク制御器の性能を線形フィードバックと分散モデル予測制御器と比較することにより,アルゴリズムと学習制御器の実用性を実証した。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Design and Realization of a Benchmarking Testbed for Evaluating Autonomous Platooning Algorithms [8.440060524215378]
  本稿では,搭載センサーを搭載した1/10スケール車両における小隊アルゴリズムの評価とベンチマークを行うテストベッドを提案する。 線形フィードバックと分散モデル予測制御の2つのバリエーションの3つのアルゴリズムを評価し、それらの結果を典型的な小隊シナリオと比較する。 分散モデル予測制御アルゴリズムは,ハードウェアやシミュレーションにおける線形フィードバックよりも優れていた。
  論文  参考訳（メタデータ） (2024-02-14T15:22:24Z)
• 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)
• Vehicle lateral control using Machine Learning for automated vehicle guidance [0.0]
  安全クリティカルシステムで使用される機械学習モデルにおいて、意思決定の不確実性は不可欠である。 本研究では,機械学習モデルを用いて車両の横方向制御系を設計する。
  論文  参考訳（メタデータ） (2023-03-14T19:14:24Z)
• Learning a Single Near-hover Position Controller for Vastly Different Quadcopters [56.37274861303324]
  本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。 これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。 また、実行中に未知の障害に迅速に適応する。
  論文  参考訳（メタデータ） (2022-09-19T17:55:05Z)
• 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)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Neural Network Based Model Predictive Control for an Autonomous Vehicle [3.222802562733787]
  本研究では,自律走行車制御のためのモデル予測コントローラ(MPC)の代替として,学習ベースコントローラについて検討する。 教師あり学習と強化学習による学習を比較した。 本研究の目的は,リアルタイムプラットフォームに組み込み,形式的手法による検証が可能なコントローラの開発である。
  論文  参考訳（メタデータ） (2021-07-30T12:11:31Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• BayesRace: Learning to race autonomously using prior experience [20.64931380046805]
  本稿では,自律走行のためのモデルベース計画制御フレームワークを提案する。 本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
  論文  参考訳（メタデータ） (2020-05-10T19:15:06Z)

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。