論文の概要: Analyzing the Impact of Simulation Fidelity on the Evaluation of Autonomous Driving Motion Control

• arxiv url: http://arxiv.org/abs/2602.07984v1
• Date: Sun, 08 Feb 2026 14:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.265095
• Title: Analyzing the Impact of Simulation Fidelity on the Evaluation of Autonomous Driving Motion Control
• Title（参考訳）: 自律走行制御におけるシミュレーション忠実度の影響の解析
• Authors: Simon Sagmeister, Panagiotis Kounatidis, Sven Goblirsch, Markus Lienkamp,
• Abstract要約: 総合的なAutoware互換車モデルを導入する。 我々は,各モデルの近似品質を定量化するために,550回以上のシミュレーション実行を評価した。 我々は、制御アルゴリズムを評価するために、車両モデルをどの程度単純化できるかを推定する。
• 参考スコア（独自算出の注目度）: 4.815503491342169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation is crucial in the development of autonomous driving software. In particular, assessing control algorithms requires an accurate vehicle dynamics simulation. However, recent publications use models with varying levels of detail. This disparity makes it difficult to compare individual control algorithms. Therefore, this paper aims to investigate the influence of the fidelity of vehicle dynamics modeling on the closed-loop behavior of trajectory-following controllers. For this purpose, we introduce a comprehensive Autoware-compatible vehicle model. By simplifying this, we derive models with varying fidelity. Evaluating over 550 simulation runs allows us to quantify each model's approximation quality compared to real-world data. Furthermore, we investigate whether the influence of model simplifications changes with varying margins to the acceleration limit of the vehicle. From this, we deduce to which degree a vehicle model can be simplified to evaluate control algorithms depending on the specific application. The real-world data used to validate the simulation environment originate from the Indy Autonomous Challenge race at the Autodromo Nazionale di Monza in June 2023. They show the fastest fully autonomous lap of TUM Autonomous Motorsport, with vehicle speeds reaching 267 kph and lateral accelerations of up to 15 mps2.
• Abstract（参考訳）: シミュレーションは自動運転ソフトウェアの開発に不可欠である。 特に、制御アルゴリズムの評価には正確な車両動力学シミュレーションが必要である。 しかし、近年の出版物は、様々なレベルの詳細を持つモデルを使用している。 この格差は、個々の制御アルゴリズムを比較するのを難しくする。 そこで本研究では,軌道追従制御器の閉ループ挙動に及ぼす車両動力学的モデリングの忠実度の影響について検討する。 この目的のために、我々は総合的なAutoware互換車モデルを導入する。 これを単純化することで、様々な忠実度を持つモデルを導出する。 550以上のシミュレーションの実行を評価することで、実世界のデータと比較して、各モデルの近似品質を定量化できる。 さらに, モデル単純化の影響は, 車両の加速限界に対して異なるマージンで変化するかを検討する。 この結果から、車両モデルがどの程度単純化できるかを推定し、特定のアプリケーションに応じて制御アルゴリズムを評価する。 シミュレーション環境の検証に使用された実世界データは、2023年6月のオートドロモ・ナチオナーレ・ディ・モンツァでのインディ・自律チャレンジレースに由来する。 彼らはTUM Autonomous Motorsportで最速の完全自動運転ラップを示し、車速は267kph、横加速度は最大15mps2である。

関連論文リスト

• Co-Design of Rover Wheels and Control using Bayesian Optimization and Rover-Terrain Simulations [0.3131740922192114]
  本稿では, 変形可能な地形における高忠実度フルサイクルシミュレーションを用いて, ローバーホイール形状と操舵制御パラメータを共設計する枠組みを提案する。 車輪と制御パラメータの同時同時最適化と,機械設計と制御設計を分離する逐次的アプローチの2つの戦略を比較した。 3000以上のフルサイクルシミュレーションが実施され、キャンペーンは5日から9日で終了する。
  論文  参考訳（メタデータ） (2026-02-02T02:10:34Z)
• Modeling Electric Vehicle Car-Following Behavior: Classical vs Machine Learning Approach [0.49115431920688835]
  本研究では,EV車追従行動の古典的モデルと機械学習モデルを比較した。 我々は、予測と実データの間のRMSEを最小化することにより、古典的モデルパラメータを校正した。 ランダムフォレストモデルは、スペーシング、スピード、ギャップタイプを入力として加速度を予測する。
  論文  参考訳（メタデータ） (2025-10-28T05:54:50Z)
• Explore the Use of Time Series Foundation Model for Car-Following Behavior Analysis [0.0]
  自動車追従行動のモデル化は、交通シミュレーション、運転パターンの分析、複雑な交通の流れの理解に不可欠である。 機械学習とディープラーニングは複雑なパターンをキャプチャするが、大きなラベル付きデータセットが必要である。 ファンデーションモデルは、膨大な多様な時系列データセットに基づいて事前訓練された、より効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-01-13T03:13:32Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• On Transferability of Driver Observation Models from Simulated to Real Environments in Autonomous Cars [23.514129229090987]
  本稿では,シミュレーションから実環境シナリオへの映像に基づく運転観察モデル移行の実現可能性について検討する。 我々は、実際の自律運転条件を特徴とするデータセットを記録し、高い注意をそらす二次活動に従事する7人の参加者を巻き込んだ。 我々のデータセットは、トレーニングソースとして使用されている既存の大規模シミュレータデータセットに従って設計されている。
  論文  参考訳（メタデータ） (2023-07-31T10:18:49Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• BayesRace: Learning to race autonomously using prior experience [20.64931380046805]
  本稿では,自律走行のためのモデルベース計画制御フレームワークを提案する。 本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
  論文  参考訳（メタデータ） (2020-05-10T19:15:06Z)

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。