論文の概要: Neural Network Tire Force Modeling for Automated Drifting

• arxiv url: http://arxiv.org/abs/2407.13760v1
• Date: Thu, 18 Jul 2024 17:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 14:12:02.268245
• Title: Neural Network Tire Force Modeling for Automated Drifting
• Title（参考訳）: 自動ドリフトのためのニューラルネットワークタイヤ力モデリング
• Authors: Nicholas Drake Broadbent, Trey Weber, Daiki Mori, J. Christian Gerdes,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.2999888908665658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated drifting presents a challenge problem for vehicle control, requiring models and control algorithms that can precisely handle nonlinear, coupled tire forces at the friction limits. We present a neural network architecture for predicting front tire lateral force as a drop-in replacement for physics-based approaches. With a full-scale automated vehicle purpose-built for the drifting application, we deploy these models in a nonlinear model predictive controller tuned for tracking a reference drifting trajectory, for direct comparisons of model performance. The neural network tire model exhibits significantly improved path tracking performance over the brush tire model in cases where front-axle braking force is applied, suggesting the neural network's ability to express previously unmodeled, latent dynamics in the drifting condition.
• Abstract（参考訳）: 自動ドリフトは、摩擦限界で非線形に結合されたタイヤ力を正確に扱えるモデルと制御アルゴリズムを必要とする、車両制御の課題となる。 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。 ドリフトアプリケーションのためのフルスケールの自動走行車を用いて,参照ドリフト軌道を追従する非線形モデル予測制御器にこれらのモデルを配置し,モデル性能の直接比較を行う。 ニューラルネットワークタイヤモデルでは、前軸制動力を適用した場合のブラシタイヤモデルに対するパストラッキング性能が大幅に向上し、ドリフト条件下での未モデル化潜時ダイナミクスをニューラルネットワークが表現できることが示唆された。

関連論文リスト

• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• 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)
• Autonomous Drifting with 3 Minutes of Data via Learned Tire Models [19.549514141225863]
  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。
  論文  参考訳（メタデータ） (2023-06-10T01:59:38Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• Unifying Model-Based and Neural Network Feedforward: Physics-Guided Neural Networks with Linear Autoregressive Dynamics [0.0]
  本稿では,未知の非線形力学を補償するフィードフォワード制御フレームワークを開発する。 フィードフォワードコントローラは、物理モデルとニューラルネットワークの並列結合としてパラメータ化される。
  論文  参考訳（メタデータ） (2022-09-26T08:01:28Z)
• Physics Embedded Neural Network Vehicle Model and Applications in Risk-Aware Autonomous Driving Using Latent Features [6.33280703577189]
  非ホロノミック車両運動は物理学に基づくモデルを用いて広く研究されている。 本稿では,ディープラーニングと完全に微分可能な物理モデルとをシームレスに組み合わせ,ニューラルネットワークに事前知識を付与する。
  論文  参考訳（メタデータ） (2022-07-16T12:06:55Z)
• 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)
• 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)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)

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。