論文の概要: DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty
- arxiv url: http://arxiv.org/abs/2506.16593v1
- Date: Thu, 19 Jun 2025 20:33:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 14:54:00.398475
- Title: DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty
- Title（参考訳）: 予測不能性を通してのDIVE:指令の不確かさを測るプロトコル
- Abstract要約: 本稿ではDRIVEプロトコルを用いて,スリップ状態空間のシステム識別とキャラクタリゼーションのためのデータの収集を標準化する。
速度指令空間を探索し、地形とロボットの相互作用の到達速度を推定するプロトコルの能力を評価する。
コマンドの不確実性を推定し、デプロイのリスク可能性と重症度を評価するために、予測不可能な指標が提案されている。
- 参考スコア（独自算出の注目度）: 1.6777716159506137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Off-road autonomous navigation is a challenging task as it is mainly dependent on the accuracy of the motion model. Motion model performances are limited by their ability to predict the interaction between the terrain and the UGV, which an onboard sensor can not directly measure. In this work, we propose using the DRIVE protocol to standardize the collection of data for system identification and characterization of the slip state space. We validated this protocol by acquiring a dataset with two platforms (from 75 kg to 470 kg) on six terrains (i.e., asphalt, grass, gravel, ice, mud, sand) for a total of 4.9 hours and 14.7 km. Using this data, we evaluate the DRIVE protocol's ability to explore the velocity command space and identify the reachable velocities for terrain-robot interactions. We investigated the transfer function between the command velocity space and the resulting steady-state slip for an SSMR. An unpredictability metric is proposed to estimate command uncertainty and help assess risk likelihood and severity in deployment. Finally, we share our lessons learned on running system identification on large UGV to help the community.
- Abstract（参考訳）: オフロード自律ナビゲーションは、主に運動モデルの精度に依存するため、困難な作業である。
運動モデルの性能は、オンボードセンサーが直接測定できない地形とUGVの間の相互作用を予測する能力によって制限される。
本研究では、DRIVEプロトコルを用いて、スリップ状態空間のシステム識別とキャラクタリゼーションのためのデータの収集を標準化する。
約4.9時間14.7kmでアスファルト, 草, 砂, 氷, 泥, 砂など6つの地形上の2つのプラットフォーム(75 kgから470 kg)のデータセットを取得することにより, 本プロトコルを検証した。
このデータを用いて、DRIVEプロトコルの速度指令空間を探索し、地形とロボットの相互作用の到達可能な速度を特定する能力を評価する。
SSMRにおける指令速度空間と定常すべりの伝達関数について検討した。
コマンドの不確実性を推定し、デプロイのリスク可能性と重症度を評価するために、予測不可能な指標が提案されている。
最後に、大規模なUGV上でシステム識別を実行し、コミュニティを支援するために学んだ教訓を共有します。
関連論文リスト
- Drone-Assisted UAV-UGV Collaboration for Autonomous Navigation in Snow-Covered Terrain [0.0]
本稿では,高高度・積雪地を対象としたUAV-UGV共同ナビゲーションフレームワークを提案する。
本稿では,リアルタイム道路分割の計算制約に該当するU-Netアーキテクチャを提案する。
UAVローカライゼーションのために,GPSとIMUデータを融合した拡張カルマンフィルタ(EKF)を実装し,最大位置誤差+0.5mを実現した。
論文 参考訳（メタデータ） (2026-08-07T22:41:19Z) - Tracking Large-scale Shared Bikes with Inertial Motion Learning in GNSS Blocked Environments [12.951378810553031]
そこで本研究では,自転車の機械的制約とミキシング・オブ・エキスパート・モデルを統合する慣性追跡フレームワークを提案する。
具体的には、複数の専門家モジュールを活用して共有表現をキャプチャし、ゲーティング機構を通じてそれらを重み付けします。
本システムでは,少なくとも12%の精度でベースラインの精度を向上し,95パーセントで0.5m/s未満のホイール速度誤差を発生させる。
論文 参考訳（メタデータ） (2026-05-08T08:05:00Z) - Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - From Bench to Flight: Translating Drone Impact Tests into Operational Safety Limits [0.8808021343665319]
私たちは、ベンチトップ衝突試験をドローンのデプロイ可能な安全管理者に変換する、エンドツーエンドでオープンなツールチェーンを提示します。
我々は,プリインパクト速度をインパルスと接触時間にマッピングし,目標力限界に対する速度境界の直接計算を可能にするデータ駆動モデルを提案する。
私たちの貢献は、測定された影響から実行時限界までの実践的なブリッジであり、共有可能なデータセット、コード、チームが人間の近くの屋内MAV操作を認証するために適用可能な反復可能なプロセスがあります。
論文 参考訳（メタデータ） (2026-02-05T17:34:49Z) - HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。
HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
論文 参考訳（メタデータ） (2026-02-03T12:12:47Z) - Learning When to Jump for Off-road Navigation [10.997518969388084]
本研究では,実際のロボットの動きに条件付き地形コストを明示的にモデル化するための移動認識トラバーサビリティ表現を提案する。
MATを統合し,アジャイルのオフロードナビゲーションを可能にするシステムを開発した。
その結果、MATはリアルタイムの効率を向上し、オフロードナビゲーションの性能を向上させることがわかった。
論文 参考訳（メタデータ） (2026-01-31T19:41:09Z) - CAN-Trace Attack: Exploit CAN Messages to Uncover Driving Trajectories [25.381835491855522]
本稿では,CANエリアネットワーク(Controller Area Network, CAN)メッセージを利用した新たなプライバシ攻撃機構であるCAN-Traceを紹介した。
CAN-Traceは、道路ネットワークと比較して、生成されたグラフにグラフマッチングアルゴリズムを適用して、走行軌跡を特定する。
都市部では90.59%、郊外部では99.41%の攻撃成功率を達成した。
論文 参考訳（メタデータ） (2025-07-13T13:31:07Z) - AeroLite-MDNet: Lightweight Multi-task Deviation Detection Network for UAV Landing [9.858832286469765]
本稿では,AeroLite-MDNetと呼ばれる新しい視覚モデルを用いたUAV着陸の偏差警報システムを提案する。
AWD(Average Warning Delay)と呼ばれる新しい評価指標を導入し,着陸偏差に対するシステムの感度を定量化する。
実験の結果, 偏差検出精度98.6%で0.7秒のAWDを実現した。
論文 参考訳（メタデータ） (2025-06-25T13:48:30Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Planar Velocity Estimation for Fast-Moving Mobile Robots Using Event-Based Optical Flow [1.4447019135112429]
本稿では,車輪と表面のトラクションの仮定から分離した速度推定手法を提案する。
提案手法は1:10スケールの自律レースプラットフォーム上でのフィールド実験により評価される。
論文 参考訳（メタデータ） (2025-05-16T11:00:33Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle
Traversability [7.305104984234086]
オフロード環境における地形の移動性の推定には、ロボットとこれらの地形の間の複雑な相互作用のダイナミクスを推論する必要がある。
本研究では,外外環境情報と固有地形相互作用フィードバックを組み合わせることで,トラバーサビリティのコストマップを予測する手法を提案する。
論文 参考訳（メタデータ） (2022-09-22T05:18:35Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳（メタデータ） (2021-12-03T18:59:59Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Autonomous Off-road Navigation over Extreme Terrains with
Perceptually-challenging Conditions [7.514178230130502]
移動性ストレス要素を用いた知覚困難環境におけるレジリエント自律計算の枠組みを提案する。
リアルタイムに堅牢なマルチファイアリティトラバーサビリティ推定を生成するための高速設定アルゴリズムを提案する。
提案手法は、スキッドステアや追尾ロボット、高速RCカー、脚ロボットなど、複数の物理的システムに展開された。
論文 参考訳（メタデータ） (2021-01-26T22:13:01Z)
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。