論文の概要: Robust Tube-based Control Strategy for Vision-guided Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2503.18752v1
- Date: Mon, 24 Mar 2025 15:01:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:33:31.956816
- Title: Robust Tube-based Control Strategy for Vision-guided Autonomous Vehicles
- Title(参考訳): 視覚誘導型自動運転車のロバストチューブ制御戦略
- Authors: Der-Hau Lee,
- Abstract要約: このアルゴリズムの目的は、タイトなターンでの高速コーナーングにおけるロバスト性を高めることである。
提案アルゴリズムはCILQR法やモデル予測制御(MPC)手法よりも車線維持に適している。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: A robust control strategy for autonomous vehicles can improve system stability, enhance riding comfort, and prevent driving accidents. This paper presents a novel interpolation tube-based constrained iterative linear quadratic regulator (itube-CILQR) algorithm for autonomous computer-vision-based vehicle lane-keeping. The goal of the algorithm is to enhance robustness during high-speed cornering on tight turns. The advantages of itube-CILQR over the standard tube-approach include reduced system conservatism and increased computational speed. Numerical and vision-based experiments were conducted to examine the feasibility of the proposed algorithm. The proposed itube-CILQR algorithm is better suited to vehicle lane-keeping than variational CILQR-based methods and model predictive control (MPC) approaches using a classical interior-point solver. Specifically, in evaluation experiments, itube-CILQR achieved an average runtime of 3.16 ms to generate a control signal to guide a self-driving vehicle; itube-MPC typically required a 4.67-times longer computation time to complete the same task. Moreover, the influence of conservatism on system behavior was investigated by exploring the interpolation variable trajectories derived from the proposed itube-CILQR algorithm during lane-keeping maneuvers.
- Abstract(参考訳): 自動運転車の堅牢な制御戦略は、システムの安定性を改善し、乗り心地を高め、運転事故を防ぐことができる。
本稿では,自律型コンピュータビジョン車線管理のための新しい補間管型制約付き線形二次制御器 (itube-CILQR) アルゴリズムを提案する。
このアルゴリズムの目的は、タイトなターンでの高速コーナーングにおけるロバスト性を高めることである。
itube-CILQRの利点は、システム保守性の低下と計算速度の向上である。
提案手法の有効性を検討するために, 数値的, 視覚的実験を行った。
提案したitube-CILQRアルゴリズムは,従来のインテリアポイントソルバを用いた変分CILQR法やモデル予測制御(MPC)アプローチよりも車線維持に適している。
具体的には、評価実験において、itube-CILQRは、自動運転車を誘導する制御信号を生成するために平均3.16ミリ秒のランタイムを達成した。
さらに, itube-CILQRアルゴリズムから導出した補間可変軌道を車線操作操作中に探索することにより, システム挙動に及ぼす保守性の影響を検討した。
関連論文リスト
- Lane-Keeping Control of Autonomous Vehicles Through a Soft-Constrained Iterative LQR [0.0]
我々は,CILQRアルゴリズムとモデル予測制御(MPC)制約緩和法を統合することで,ソフト制約付き反復線形二次制御器(ソフトCILQR)アルゴリズムを開発した。
提案したソフトCILQRアルゴリズムは平均実行時間2.55msを実現し、リアルタイム自動運転シナリオに適用可能である。
論文 参考訳(メタデータ) (2023-11-28T15:58:13Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳(メタデータ) (2023-04-19T17:33:47Z) - Safe Reinforcement Learning with Probabilistic Control Barrier Functions
for Ramp Merging [7.103977648997475]
我々は、強化学習ポリシーに組み込まれた制御障壁関数を用いて、自動運転車の性能を最適化する。
提案アルゴリズムは、安全なランプマージアルゴリズムだけではなく、高速道路のランプマージに対処するための安全な自律運転アルゴリズムである。
論文 参考訳(メタデータ) (2022-12-01T16:14:40Z) - Integrated Decision and Control for High-Level Automated Vehicles by
Mixed Policy Gradient and Its Experiment Verification [10.393343763237452]
本稿では,IDC(Integrated Decision and Control)に基づく自己進化型意思決定システムを提案する。
制約付き混合ポリシー勾配 (CMPG) と呼ばれるRLアルゴリズムは、IDCの駆動ポリシーを継続的に更新するために提案される。
実験結果から, モデルに基づく手法よりも運転能力の向上が期待できることがわかった。
論文 参考訳(メタデータ) (2022-10-19T14:58:41Z) - Efficient Perception, Planning, and Control Algorithm for Vision-Based Automated Vehicles [0.0]
本研究は、視覚に基づく自動車両の運転のための効率的な枠組みを提案する。
このフレームワークは単眼カメラとレーダーのみを必要とする。
実験により、提案された自律運転システムは、現在の自動運転車に適用可能であることが示された。
論文 参考訳(メタデータ) (2022-09-15T04:51:17Z) - 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) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳(メタデータ) (2021-08-25T18:24:34Z) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳(メタデータ) (2021-03-08T05:34:05Z) - 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) - Decision-making Strategy on Highway for Autonomous Vehicles using Deep
Reinforcement Learning [6.298084785377199]
高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。
これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。
DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
論文 参考訳(メタデータ) (2020-07-16T23:41:48Z)
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。