論文の概要: Digital Twin-based Control Co-Design of Full Vehicle Active Suspensions via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.03891v1
• Date: Wed, 03 Dec 2025 15:41:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:07:20.090041
• Title: Digital Twin-based Control Co-Design of Full Vehicle Active Suspensions via Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習による全車両アクティブサスペンションのディジタルツイン制御共設計
• Authors: Ying-Kuan Tsai, Yi-Ping Chen, Vispi Karkaria, Wei Chen,
• Abstract要約: デジタルツイン(DT)とディープ強化学習(DRL)は、車両のライフサイクル全体にわたってリアルタイムでデータ駆動の最適化を行う新たな機会を提供する。 本研究は、フルサイクルアクティブサスペンションのためのDTベースの制御共設計(CCD)フレームワークを提案する。 我々は,様々な運転行動と環境不確実性の下で,物理的サスペンションコンポーネントと制御ポリシーを共同で最適化する。
• 参考スコア（独自算出の注目度）: 8.45003507603975
• License:
• Abstract: Active suspension systems are critical for enhancing vehicle comfort, safety, and stability, yet their performance is often limited by fixed hardware designs and control strategies that cannot adapt to uncertain and dynamic operating conditions. Recent advances in digital twins (DTs) and deep reinforcement learning (DRL) offer new opportunities for real-time, data-driven optimization across a vehicle's lifecycle. However, integrating these technologies into a unified framework remains an open challenge. This work presents a DT-based control co-design (CCD) framework for full-vehicle active suspensions using multi-generation design concepts. By integrating automatic differentiation into DRL, we jointly optimize physical suspension components and control policies under varying driver behaviors and environmental uncertainties. DRL also addresses the challenge of partial observability, where only limited states can be sensed and fed back to the controller, by learning optimal control actions directly from available sensor information. The framework incorporates model updating with quantile learning to capture data uncertainty, enabling real-time decision-making and adaptive learning from digital-physical interactions. The approach demonstrates personalized optimization of suspension systems under two distinct driving settings (mild and aggressive). Results show that the optimized systems achieve smoother trajectories and reduce control efforts by approximately 43% and 52% for mild and aggressive, respectively, while maintaining ride comfort and stability. Contributions include: developing a DT-enabled CCD framework integrating DRL and uncertainty-aware model updating for full-vehicle active suspensions, introducing a multi-generation design strategy for self-improving systems, and demonstrating personalized optimization of active suspension systems for distinct driver types.
• Abstract（参考訳）: アクティブサスペンションシステムは、車両の快適性、安全性、安定性を高めるために重要であるが、その性能は、不確実でダイナミックな運転条件に適応できない固定ハードウェア設計と制御戦略によって制限されることが多い。 近年のデジタルツイン(DT)と深部強化学習(DRL)は、車両のライフサイクル全体にわたってリアルタイムでデータ駆動の最適化を行う新たな機会を提供する。 しかし、これらの技術を統一されたフレームワークに統合することは、依然としてオープンな課題である。 本研究は,多世代設計概念を用いたフルサイクルアクティブサスペンションのためのDTベースの制御共設計(CCD)フレームワークを提案する。 DRLに自動微分を統合することにより,ドライバの動作や環境不確実性に応じて,物理的懸濁成分と制御ポリシーを協調的に最適化する。 DRLはまた、利用可能なセンサ情報から直接最適な制御アクションを学習することで、限られた状態のみをコントローラに認識し、フィードバックすることができる部分可観測性という課題にも対処している。 このフレームワークは、データ不確実性を捉えるための量子学習によるモデル更新を取り入れ、リアルタイムな意思決定とデジタル物理相互作用からの適応学習を可能にする。 このアプローチは、2つの異なる運転設定(ミルドとアグレッシブ)の下でサスペンションシステムのパーソナライズされた最適化を示す。 その結果, 乗り心地と安定性を維持しつつ, 最適化システムはよりスムーズな軌道を達成し, 軽度およびアグレッシブにそれぞれ約43%, 52%の制御努力を削減できることが示唆された。 DRLと不確実性を認識したモデル更新を統合したDT対応CCDフレームワークの開発、自己改善システムのための多世代設計戦略の導入、異なるドライバタイプに対するアクティブサスペンションシステムのパーソナライズされた最適化の実証。

関連論文リスト

• Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning [8.45003507603975]
  Control Co-Design (CCD)は、物理的および制御システム設計を統合し、動的および自律的なシステムの性能を改善する。 本稿では,Deep Reinforcement Learning(DRL)を統合したDT対応CCDフレームワークについて述べる。
  論文  参考訳（メタデータ） (2025-10-12T16:46:05Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• MagicDrive-V2: High-Resolution Long Video Generation for Autonomous Driving with Adaptive Control [68.74166535159311]
  MagicDrive-V2は、MVDiTブロックと時空間条件エンコーディングを統合し、マルチビュービデオ生成と正確な幾何学的制御を可能にする新しいアプローチである。 これは、解像度が3.3倍、フレーム数が4.4倍のマルチビュー駆動ビデオ合成を可能にする(現在のSOTAと比較)。
  論文  参考訳（メタデータ） (2024-11-21T03:13:30Z)
• First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling [38.468291768795865]
  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。
  論文  参考訳（メタデータ） (2024-10-31T18:02:30Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• 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)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Deep Reinforcement Learning Controller for 3D Path-following and Collision Avoidance by Autonomous Underwater Vehicles [0.0]
  自律型水中車両のような複雑なシステムでは、意思決定は簡単ではない。 本稿では,最先端のDeep Reinforcement Learning(DRL)技術を用いた解を提案する。 本研究は,自律走行車システムにおける人間レベルの意思決定に向けた衝突回避と経路追従におけるDRLの実現可能性を示すものである。
  論文  参考訳（メタデータ） (2020-06-17T11:54:53Z)

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。