論文の概要: Track-centric Iterative Learning for Global Trajectory Optimization in Autonomous Racing

• arxiv url: http://arxiv.org/abs/2601.21027v1
• Date: Wed, 28 Jan 2026 20:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.991261
• Title: Track-centric Iterative Learning for Global Trajectory Optimization in Autonomous Racing
• Title（参考訳）: トラック中心反復学習による自律レースにおけるグローバル軌道最適化
• Authors: Youngim Nam, Jungbin Kim, Kyungtae Kang, Cheolhyeon Kwon,
• Abstract要約: 本稿では,不確実な車両力学の下での自律走行におけるラップタイムを最小化するためのグローバル軌道最適化フレームワークを提案する。 本研究では,全水平軌道を直接学習し,最適化するトラック中心のアプローチを提案する。 提案フレームワークの有効性はシミュレーションや実世界の実験を通じて検証され、ラッパータイムが20.7%向上したことを示す。
• 参考スコア（独自算出の注目度）: 9.502981420673102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a global trajectory optimization framework for minimizing lap time in autonomous racing under uncertain vehicle dynamics. Optimizing the trajectory over the full racing horizon is computationally expensive, and tracking such a trajectory in the real world hardly assures global optimality due to uncertain dynamics. Yet, existing work mostly focuses on dynamics learning at the tracking level, without updating the trajectory itself to account for the learned dynamics. To address these challenges, we propose a track-centric approach that directly learns and optimizes the full-horizon trajectory. We first represent trajectories through a track-agnostic parametric space in light of the wavelet transform. This space is then efficiently explored using Bayesian optimization, where the lap time of each candidate is evaluated by running simulations with the learned dynamics. This optimization is embedded in an iterative learning framework, where the optimized trajectory is deployed to collect real-world data for updating the dynamics, progressively refining the trajectory over the iterations. The effectiveness of the proposed framework is validated through simulations and real-world experiments, demonstrating lap time improvement of up to 20.7% over a nominal baseline and consistently outperforming state-of-the-art methods.
• Abstract（参考訳）: 本稿では,不確実な車両力学の下での自律走行におけるラップタイムを最小化するためのグローバル軌道最適化フレームワークを提案する。 完全なレース地平線上での軌道の最適化は計算に高価であり、現実の世界におけるそのような軌道の追跡は、不確実な力学のため、大域的な最適性を保証することがほとんどない。 しかし、既存の研究は主に追跡レベルでのダイナミックス学習に重点を置いており、学習されたダイナミックスを説明するために軌跡自体を更新する必要はない。 これらの課題に対処するために,全水平軌道を直接学習し,最適化するトラック中心のアプローチを提案する。 まず、ウェーブレット変換に照らして、トラック非依存のパラメトリック空間を軌跡として表現する。 この空間はベイズ最適化を用いて効率的に探索され、各候補のラップタイムは学習力学を用いてシミュレーションによって評価される。 この最適化は反復学習フレームワークに組み込まれており、最適化されたトラジェクトリがデプロイされ、動的を更新する実際のデータを収集し、段階的に繰り返しのトラジェクトリを精製する。 提案フレームワークの有効性はシミュレーションや実世界の実験を通じて検証され、ラッパータイムが20.7%向上し、名目上のベースラインを超越し、一貫して最先端の手法に勝ることを示した。

関連論文リスト

• 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)
• Fast Near Time-Optimal Motion Planning for Holonomic Vehicles in Structured Environments [8.195916347194315]
  磁気浮上を用いた平面運動系における運動計画の課題を解決することを目的としている。 提案手法は, 自由空間廊下を用いた環境表現を符号化し, 移動プリミティブを用いて車両の走行を表現している。 この手法は最先端のXPlanarシステムよりもはるかに低い時間で実現され、実世界のBeckhoff XPlanarシステム上で検証される。
  論文  参考訳（メタデータ） (2026-02-02T21:26:30Z)
• Track-On2: Enhancing Online Point Tracking with Memory [57.820749134569574]
  オンライン長期追跡のためのシンプルで効率的なトランスフォーマーベースモデルであるTrack-OnをTrack-On2に拡張する。 Track-On2は、アーキテクチャの改良によるパフォーマンスと効率の向上、メモリの有効利用、および合成トレーニング戦略の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-23T15:00:18Z)
• Learning Spatio-Temporal Dynamics for Trajectory Recovery via Time-Aware Transformer [9.812530969395906]
  現実世界の応用では、GPSトラジェクトリはサンプリングレートが低く、連続する点の間に大きく不規則な間隔があることが多い。 本稿では,軌道サンプリング率の向上をめざして,地図制約のトラジェクトリリカバリの課題に対処する。
  論文  参考訳（メタデータ） (2025-05-20T03:09:17Z)
• Understanding Optimization in Deep Learning with Central Flows [95.5647720254338]
  複雑な状態における最適化のダイナミクスを記述できる理論を開発する。 この結果から,ディープラーニングの最適化を推論する上で,中央フローが重要な理論ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-31T17:58:13Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
  未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。 NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。 最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Autonomous Drone Racing with Deep Reinforcement Learning [39.757652701917166]
  ドローンレースのような多くのロボットタスクにおいて、ゴールはできるだけ速くコースポイントを移動することである。 重要な課題は、事前に通過するウェイポイントの完全な知識を想定して解決される最小時間軌道を計画することです。 本研究では,クワッドロータの最小時間軌道生成法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T18:05:49Z)

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。