論文の概要: First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling

• arxiv url: http://arxiv.org/abs/2411.00107v2
• Date: Wed, 23 Jul 2025 15:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 14:06:48.880776
• Title: First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling
• Title（参考訳）: まず、知らないことを学ぶ: ハンドルの限界で運転するアクティブな情報収集
• Authors: Alexander Davydov, Franck Djeumou, Marcus Greiff, Makoto Suminaka, Michael Thompson, John Subosits, Thomas Lew,
• Abstract要約: 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。 車両の動力学をできるだけ早く識別するためのアクティブな情報収集フレームワークを提案する。 このフレームワークは安定性の限界において車両の信頼性の高い制御を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 38.468291768795865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Combining data-driven models that adapt online and model predictive control (MPC) has enabled effective control of nonlinear systems. However, when deployed on unstable systems, online adaptation may not be fast enough to ensure reliable simultaneous learning and control. For example, a controller on a vehicle executing highly dynamic maneuvers--such as drifting to avoid an obstacle--may push the vehicle's tires to their friction limits, destabilizing the vehicle and allowing modeling errors to quickly compound and cause a loss of control. To address this challenge, we present an active information gathering framework for identifying vehicle dynamics as quickly as possible. We propose an expressive vehicle dynamics model that leverages Bayesian last-layer meta-learning to enable rapid online adaptation. The model's uncertainty estimates are used to guide informative data collection and quickly improve the model prior to deployment. Dynamic drifting experiments on a Toyota Supra show that (i) the framework enables reliable control of a vehicle at the edge of stability, (ii) online adaptation alone may not suffice for zero-shot control and can lead to undesirable transient errors or spin-outs, and (iii) active data collection helps achieve reliable performance.
• Abstract（参考訳）: オンラインに適応するデータ駆動モデルと予測制御(MPC)を組み合わせることで、非線形システムの効果的な制御が可能になった。 しかし、不安定なシステムにデプロイする場合、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。 例えば、高いダイナミックな操作を実行する車両のコントローラーは、障害物を避けるためにドリフトするなど、車のタイヤを摩擦限界まで押し上げ、車両を不安定にし、モデリングエラーを迅速に複雑化し、制御の喪失を引き起こす。 この課題に対処するため、車両力学をできるだけ早く識別するためのアクティブな情報収集フレームワークを提案する。 本稿では,ベイジアンの最終層メタラーニングを利用して高速なオンライン適応を実現する表現型車両力学モデルを提案する。 モデルの不確実性見積は、情報収集を誘導し、デプロイ前にモデルを迅速に改善するために使用されます。 トヨタ・シュプラにおける動的ドリフト実験 一 安定の端において、車両の確実な制御を可能にすること。 (ii)オンライン適応だけではゼロショット制御が不十分であり、望ましくない過渡的エラーやスピンアウトにつながる可能性がある。 3) アクティブなデータ収集は、信頼性の高いパフォーマンスを達成するのに役立ちます。

関連論文リスト

• Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving [9.515695438588855]
  高速オフロード自動運転は、複雑で進化する地形特性のために固有の課題を提起する。 これらの課題に対処するために,Kalmanフィルタに基づくオンライン適応スキームとメタ学習パラメータを組み合わせた新しいフレームワークを提案する。 この結果から,メタ学習型動的モデル適応の有効性が評価され,信頼性の高い自律システムの開発が進められた。
  論文  参考訳（メタデータ） (2025-04-23T17:51:36Z)
• Physics Enhanced Residual Policy Learning (PERPL) for safety cruising in mixed traffic platooning under actuator and communication delay [8.172286651098027]
  線形制御モデルは、その単純さ、使いやすさ、安定性解析のサポートにより、車両制御に広範囲に応用されている。 一方、強化学習(RL)モデルは適応性を提供するが、解釈可能性や一般化能力の欠如に悩まされる。 本稿では,物理インフォームドポリシによって強化されたRL制御系の開発を目標とする。
  論文  参考訳（メタデータ） (2024-09-23T23:02:34Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
  本研究では,データ駆動型自動車追従モデルを提案する。 本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
  論文  参考訳（メタデータ） (2024-06-23T15:04:07Z)
• 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)
• Learning Exactly Linearizable Deep Dynamics Models [0.07366405857677226]
  本稿では, 安定度, 信頼性, 信頼性を確保するために, 様々な制御理論を容易に適用可能な, 線形化可能な動的モデルの学習法を提案する。 提案手法は, 自動車エンジンのリアルタイム制御に応用され, 予測性能と制約下での安定制御が良好であることを示す。
  論文  参考訳（メタデータ） (2023-11-30T05:40:55Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception [5.46262127926284]
  制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。 本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T11:24:03Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• 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)
• Data-Efficient Deep Reinforcement Learning for Attitude Control of Fixed-Wing UAVs: Field Experiments [0.37798600249187286]
  DRLは、元の非線形力学を直接操作する固定翼UAVの姿勢制御をうまく学べることを示す。 我々は,UAVで学習したコントローラを飛行試験で展開し,最先端のArduPlane比例積分微分(PID)姿勢制御と同等の性能を示す。
  論文  参考訳（メタデータ） (2021-11-07T19:07:46Z)
• 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)
• Identification of the nonlinear steering dynamics of an autonomous vehicle [0.0]
  現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。 関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。 ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
  論文  参考訳（メタデータ） (2021-05-10T17:32:23Z)
• Model-Based Meta-Reinforcement Learning for Flight with Suspended Payloads [69.21503033239985]
  吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。 接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:43:56Z)

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。