論文の概要: AVOID-JACK: Avoidance of Jackknifing for Swarms of Long Heavy Articulated Vehicles

• arxiv url: http://arxiv.org/abs/2511.08016v1
• Date: Wed, 12 Nov 2025 01:34:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.600078
• Title: AVOID-JACK: Avoidance of Jackknifing for Swarms of Long Heavy Articulated Vehicles
• Title（参考訳）: AVOID-JACK:ロングヘビーアーティキュレート車両の群れに対するジャックニッフィングの回避
• Authors: Adrian Schönnagel, Michael Dubé, Christoph Steup, Felix Keppler, Sanaz Mostaghim,
• Abstract要約: 本稿では,集中型群知能を活用して,重火力車(HAV)のジャックニッフィングと相互衝突を回避するための新しい手法を提案する。 物流の自動化、リモートマイニング、空港の荷物輸送、農業活動など、現実の応用に関係しているにもかかわらず、この問題は既存の文献では解決されていない。 本稿では, 衝突回避を優先し, 相互衝突回避の基礎を築いた。
• 参考スコア（独自算出の注目度）: 0.7176906280023593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a novel approach to avoiding jackknifing and mutual collisions in Heavy Articulated Vehicles (HAVs) by leveraging decentralized swarm intelligence. In contrast to typical swarm robotics research, our robots are elongated and exhibit complex kinematics, introducing unique challenges. Despite its relevance to real-world applications such as logistics automation, remote mining, airport baggage transport, and agricultural operations, this problem has not been addressed in the existing literature. To tackle this new class of swarm robotics problems, we propose a purely reaction-based, decentralized swarm intelligence strategy tailored to automate elongated, articulated vehicles. The method presented in this paper prioritizes jackknifing avoidance and establishes a foundation for mutual collision avoidance. We validate our approach through extensive simulation experiments and provide a comprehensive analysis of its performance. For the experiments with a single HAV, we observe that for 99.8% jackknifing was successfully avoided and that 86.7% and 83.4% reach their first and second goals, respectively. With two HAVs interacting, we observe 98.9%, 79.4%, and 65.1%, respectively, while 99.7% of the HAVs do not experience mutual collisions.
• Abstract（参考訳）: 本稿では,集中型群知能を活用して,重火力車(HAV)のジャックニッフィングと相互衝突を回避するための新しい手法を提案する。 一般的なSwarmロボティクス研究とは対照的に、我々のロボットは細長く、複雑なキネマティクスを示し、ユニークな課題を提起している。 物流の自動化、リモートマイニング、空港の荷物輸送、農業活動など、現実の応用に関係しているにもかかわらず、この問題は既存の文献では解決されていない。 この新しい種類のSwarmロボティクス問題に対処するため,我々は,伸縮車の自動走行に適した,純粋に反応に基づく分散化されたSwarmインテリジェンス戦略を提案する。 本稿では, 衝突回避を優先し, 相互衝突回避の基礎を築いた。 提案手法を広範囲なシミュレーション実験により検証し,その性能を包括的に解析する。 単一のHAV実験では、99.8%のジャッキニッフィングが回避され、86.7%と83.4%がそれぞれ第1ゴールと第2ゴールに到達した。 2つのHAVが相互作用し、それぞれ98.9%、79.4%、65.1%が観測され、99.7%のHAVは相互衝突を経験していない。

関連論文リスト

• Reasoning-Augmented Conversation for Multi-Turn Jailbreak Attacks on Large Language Models [53.580928907886324]
  Reasoning-Augmented Conversationは、新しいマルチターンジェイルブレイクフレームワークである。 有害なクエリを良心的な推論タスクに再構成する。 RACEは,複雑な会話シナリオにおいて,最先端攻撃の有効性を実現する。
  論文  参考訳（メタデータ） (2025-02-16T09:27:44Z)
• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Generative AI for Unmanned Vehicle Swarms: Challenges, Applications and Opportunities [84.00105187866806]
  Generative AI(GAI)は、無人車両群におけるこれらの課題を解決する大きな可能性を提供する。 本稿では,無人車及び無人車群の概要と,その利用事例と既存課題について述べる。 そこで本研究では,無人車両群におけるGAIの適用状況と課題について,さまざまな知見と議論を加えて概説する。
  論文  参考訳（メタデータ） (2024-02-28T05:46:23Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• Towards Disturbance-Free Visual Mobile Manipulation [11.738161077441104]
  本研究では,新しい外乱回避手法を開発し,その中心に外乱予測の補助的課題について述べる。 Manipulathor を用いた実験の結果,新規な物体を用いた実験では,61.7% から85.6% に改善した。
  論文  参考訳（メタデータ） (2021-12-17T22:33:23Z)
• COLREG-Compliant Collision Avoidance for Unmanned Surface Vehicle using Deep Reinforcement Learning [0.0]
  追従と衝突回避は、無人表面船や他の自動運転車にとって、ロボット工学における2つの基本的なガイダンス問題である。 本稿では,連続制御タスクにおける最先端性能を示すDRLアルゴリズムであるPPOの可能性について検討する。 ノルウェー海の入り江であるトロンドハイム・フィヨルド(Trondheim Fjord)の高忠実な標高とAIS追跡データに基づいて、我々は訓練されたエージェントのパフォーマンスを挑戦的でダイナミックな実世界のシナリオで評価した。
  論文  参考訳（メタデータ） (2020-06-16T22:05:58Z)

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。