論文の概要: On Disturbance-Aware Minimum-Time Trajectory Planning: Evidence from Tests on a Dynamic Driving Simulator

• arxiv url: http://arxiv.org/abs/2512.04917v1
• Date: Thu, 04 Dec 2025 15:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.13161
• Title: On Disturbance-Aware Minimum-Time Trajectory Planning: Evidence from Tests on a Dynamic Driving Simulator
• Title（参考訳）: 外乱を考慮した最小時間軌道計画法について:動的駆動シミュレータの試験結果から
• Authors: Matteo Masoni, Vincenzo Palermo, Marco Gabiccini, Martino Gulisano, Giorgio Previati, Massimiliano Gobbi, Francesco Comolli, Gianpiero Mastinu, Massimo Guiggiani,
• Abstract要約: 本研究は, ダイナミックシミュレーターにおけるプロの運転者による運転動作において, 乱れを意識した基準軌跡が駆動性能にどのように変換されるかを検討する。 ランニングタイム(LT)とステアリング(SE)のトレードオフを評価するために、3つの計画された基準軌跡をフリードライブベースラインと比較し、名目上のタイム最適軌跡であるNOM、トラックエッジにマージンを絞ったトラックリミット・ローブスト軌跡であるTLC、アクスルやタイヤ飽和に対して締め付けることで得られる摩擦リミット・ローブスト軌跡であるFLCとを比較した。
• 参考スコア（独自算出の注目度）: 0.9751538234290761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates how disturbance-aware, robustness-embedded reference trajectories translate into driving performance when executed by professional drivers in a dynamic simulator. Three planned reference trajectories are compared against a free-driving baseline (NOREF) to assess trade-offs between lap time (LT) and steering effort (SE): NOM, the nominal time-optimal trajectory; TLC, a track-limit-robust trajectory obtained by tightening margins to the track edges; and FLC, a friction-limit-robust trajectory obtained by tightening against axle and tire saturation. All trajectories share the same minimum lap-time objective with a small steering-smoothness regularizer and are evaluated by two professional drivers using a high-performance car on a virtual track. The trajectories derive from a disturbance-aware minimum-lap-time framework recently proposed by the authors, where worst-case disturbance growth is propagated over a finite horizon and used to tighten tire-friction and track-limit constraints, preserving performance while providing probabilistic safety margins. LT and SE are used as performance indicators, while RMS lateral deviation, speed error, and drift angle characterize driving style. Results show a Pareto-like LT-SE trade-off: NOM yields the shortest LT but highest SE; TLC minimizes SE at the cost of longer LT; FLC lies near the efficient frontier, substantially reducing SE relative to NOM with only a small LT increase. Removing trajectory guidance (NOREF) increases both LT and SE, confirming that reference trajectories improve pace and control efficiency. Overall, the findings highlight reference-based and disturbance-aware planning, especially FLC, as effective tools for training and for achieving fast yet stable trajectories.
• Abstract（参考訳）: 本研究は, ダイナミックシミュレーターにおいて, プロのドライバーが運転動作を行う場合, 乱れを意識した, 頑健な基準軌道がいかに駆動性能に変換されるかを検討する。 3つの計画された基準軌跡を、ラップタイム(LT)とステアリング(SE)の間のトレードオフを評価するために、フリードライブベースライン(NOREF)と比較し、名目上のタイム最適軌跡であるNOM、トラックエッジにマージンを絞ったトラックリミット・ローバスト軌跡であるTLC、アクスルやタイヤ飽和に対して引き締められた摩擦リミット・ローバスト軌跡であるFLCとを比較した。 全ての軌道は、小さなステアリング・スムースネスレギュレータと同じ最小ラップタイム目標を共有し、仮想軌道上の高性能車を用いて2人のプロドライバーによって評価される。 この軌跡は, 有限地平線上に最悪の乱れ成長を伝播させ, タイヤ摩擦と軌道限界の制約を緩和し, 性能を保ち, 確率的安全マージンを提供する, 著者らが最近提案した, 乱れを意識した最小ラップタイムの枠組みから導かれる。 LTとSEは性能指標として使用され、RMS側偏差、速度誤差、ドリフト角は駆動スタイルを特徴付ける。 その結果,NOM は LT が最短であるがSE が最短であり,TLC はより長い LT のコストでSE を最小化し,FLC は効率の良いフロンティア付近にあり,NOM に対する SE の相対性は小さい LT の増加で著しく減少することがわかった。 NOREF (Removing trajectory guidance) はLTとSEをともに増加させ、基準軌道がペースと制御効率を向上させることを確認する。 全体としては、参照ベースおよび障害対応計画、特にFLCは、トレーニングや高速で安定した軌道の達成に有効なツールである。

関連論文リスト

• High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles [9.252000699538346]
  本稿では,自動走行車両が空調動作中にピーク摩擦領域を活発に励起することのできる高スリップ比制御フレームワークを提案する。 雑音および局所空間下でのピークRFCを頑健に推定するために,ビンニングに基づく統計的予測手法を提案する。 このフレームワークは、クローズドループシミュレーションと実車実験の両方を通じて検証され、その正確性、安全性、そしてスケーラブルで費用対効果の高い道路摩擦スクリーニングの実現可能性を示す。
  論文  参考訳（メタデータ） (2026-03-10T01:34:00Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Guided by Trajectories: Repairing and Rewarding Tool-Use Trajectories for Tool-Integrated Reasoning [65.10602992874787]
  AutoTrajはツール使用トラジェクトリの修復と報酬によってTIRを自動的に学習するフレームワークである。 実世界のベンチマークの実験では、AutoTrajの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-30T14:42:04Z)
• 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)
• Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
  本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。 提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。 本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
  論文  参考訳（メタデータ） (2023-02-22T23:15:56Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning [21.500697097095408]
  不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。 RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。 軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
  論文  参考訳（メタデータ） (2020-11-09T20:49:54Z)

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。