論文の概要: PCARNN-DCBF: Minimal-Intervention Geofence Enforcement for Ground Vehicles

• arxiv url: http://arxiv.org/abs/2511.15522v1
• Date: Wed, 19 Nov 2025 15:19:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.865659
• Title: PCARNN-DCBF: Minimal-Intervention Geofence Enforcement for Ground Vehicles
• Title（参考訳）: PCARNN-DCBF:地上車両の最小干渉ジオフェンス強化
• Authors: Yinan Yu, Samuel Scheidegger,
• Abstract要約: 本稿では,PCARNN-DCBFについて紹介する。これは物理符号化された制御-アフィン残差ネットワークとプレビューベースの離散制御バリアを統合した新しいパイプラインである。 一般的な学習モデルとは異なり、PCARNNは車両力学の制御-アフィン構造を明示的に保持し、信頼性の高い最適化に必要な線形性を保証する。 電気および燃焼プラットフォームにわたるCARLAの実験では、この構造保存アプローチが解析的および非構造的神経ベースラインを著しく上回ることを示した。
• 参考スコア（独自算出の注目度）: 4.948792379664547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Runtime geofencing for ground vehicles is rapidly emerging as a critical technology for enforcing Operational Design Domains (ODDs). However, existing solutions struggle to reconcile high-fidelity learning with the structural requirements of verifiable control. We address this by introducing PCARNN-DCBF, a novel pipeline integrating a Physics-encoded Control-Affine Residual Neural Network with a preview-based Discrete Control Barrier Function. Unlike generic learned models, PCARNN explicitly preserves the control-affine structure of vehicle dynamics, ensuring the linearity required for reliable optimization. This enables the DCBF to enforce polygonal keep-in constraints via a real-time Quadratic Program (QP) that handles high relative degree and mitigates actuator saturation. Experiments in CARLA across electric and combustion platforms demonstrate that this structure-preserving approach significantly outperforms analytical and unstructured neural baselines.
• Abstract（参考訳）: 運転設計領域(ODD)の実施に向けた重要な技術として,地上車両の走行時ジオフェンシングが急速に進んでいる。 しかし、既存のソリューションは、検証可能な制御の構造的要求と高忠実度学習の整合に苦慮している。 物理符号化された制御-アフィン残差ニューラルネットワークとプレビューベースの離散制御バリア関数を統合する新しいパイプラインであるPCARNN-DCBFを導入することでこの問題に対処する。 一般的な学習モデルとは異なり、PCARNNは車両力学の制御-アフィン構造を明示的に保持し、信頼性の高い最適化に必要な線形性を保証する。 これにより、DCBFは、高い相対度を処理し、アクチュエータ飽和を緩和するリアルタイム擬似プログラム(QP)を介して多角形保持制約を強制することができる。 電気および燃焼プラットフォームにわたるCARLAの実験では、この構造保存アプローチが解析的および非構造的神経ベースラインを著しく上回ることを示した。

関連論文リスト

• Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
  本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。 提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。 提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
  論文  参考訳（メタデータ） (2025-07-16T18:49:44Z)
• Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control [11.428076811557437]
  接続された自動車両(CAV)と人力車両(HDV)の交通振動の緩和は、交通の安定性を高めるために重要である。 本研究では,この問題に対処するための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。 このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。
  論文  参考訳（メタデータ） (2025-01-27T14:28:20Z)
• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
  本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。 このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
  論文  参考訳（メタデータ） (2024-10-03T17:50:19Z)
• 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 Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
  本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。 制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。 我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
  論文  参考訳（メタデータ） (2023-09-06T05:35:48Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。