論文の概要: SPLIT: Sparse Incremental Learning of Error Dynamics for Control-Oriented Modeling in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2602.13641v1
• Date: Sat, 14 Feb 2026 07:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.456075
• Title: SPLIT: Sparse Incremental Learning of Error Dynamics for Control-Oriented Modeling in Autonomous Vehicles
• Title（参考訳）: SPLIT: 自律走行車における制御指向モデリングのための誤差ダイナミクスのスパースインクリメンタル学習
• Authors: Yaoyu Li, Chaosheng Huang, Jun Li,
• Abstract要約: SPLITは、制御指向の車両力学モデリングのためのスパースインクリメンタルラーニングフレームワークである。 車両モデルを実験により不変要素に分解し, 残差モデルにより補正された変種要素を特徴量次元を減少させる。 車両力学の偏差への迅速な適応を可能にし、以前は見つからなかったシナリオへの堅牢な一般化を示す。
• 参考スコア（独自算出の注目度）: 5.42449116541444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, computationally efficient, and adaptive vehicle models are essential for autonomous vehicle control. Hybrid models that combine a nominal model with a Gaussian Process (GP)-based residual model have emerged as a promising approach. However, the GP-based residual model suffers from the curse of dimensionality, high evaluation complexity, and the inefficiency of online learning, which impede the deployment in real-time vehicle controllers. To address these challenges, we propose SPLIT, a sparse incremental learning framework for control-oriented vehicle dynamics modeling. SPLIT integrates three key innovations: (i) Model Decomposition. We decompose the vehicle model into invariant elements calibrated by experiments, and variant elements compensated by the residual model to reduce feature dimensionality. (ii) Local Incremental Learning. We define the valid region in the feature space and partition it into subregions, enabling efficient online learning from streaming data. (iii) GP Sparsification. We use bayesian committee machine to ensure scalable online evaluation. Integrated into model-based controllers, SPLIT is evaluated in aggressive simulations and real-vehicle experiments. Results demonstrate that SPLIT improves model accuracy and control performance online. Moreover, it enables rapid adaptation to vehicle dynamics deviations and exhibits robust generalization to previously unseen scenarios.
• Abstract（参考訳）: 正確な、計算効率が高く、適応的な車両モデルは、自動運転車の制御に不可欠である。 名目モデルとガウス過程(GP)に基づく残留モデルを組み合わせたハイブリッドモデルは、有望なアプローチとして現れている。 しかし、GPベースの残差モデルは、次元性の呪い、高い評価の複雑さ、オンライン学習の非効率さに悩まされ、リアルタイム車両制御装置への展開を妨げている。 これらの課題に対処するために、制御指向の車両動力学的モデリングのためのスパースインクリメンタルラーニングフレームワークであるSPLITを提案する。 SPLITは3つの重要なイノベーションを統合している。 (i)モデル分解 我々は,車両モデルを実験によってキャリブレーションされた不変要素に分解し,残留モデルによって補償された変種要素を特徴次元を減少させる。 (II)局所的なインクリメンタルラーニング。 特徴空間における有効な領域を定義し、それをサブリージョンに分割し、ストリーミングデータから効率的なオンライン学習を可能にする。 (3)GPスペーサー化。 ベイズ委員会マシンを使用して、スケーラブルなオンライン評価を保証します。 モデルベースコントローラに統合されたSPLITは、アグレッシブシミュレーションや実車実験で評価される。 その結果、SPLITはモデル精度と制御性能をオンラインで向上することを示した。 さらに、車両のダイナミックス偏差への迅速な適応を可能にし、以前は見つからなかったシナリオに頑健な一般化を示す。

関連論文リスト

• Data-Driven Modeling and Correction of Vehicle Dynamics [36.247839904691105]
  我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。 より強い非線形システムでは、ディープニューラルネットワークアプローチであるFlow Map Learningを採用しています。
  論文  参考訳（メタデータ） (2025-11-29T03:04:28Z)
• 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)
• Deep autoregressive density nets vs neural ensembles for model-based offline reinforcement learning [2.9158689853305693]
  本稿では、利用可能なデータからシステムダイナミクスを推定し、仮想モデルロールアウトにおけるポリシー最適化を行うモデルベース強化学習アルゴリズムについて考察する。 このアプローチは、実際のシステムで破滅的な失敗を引き起こす可能性のあるモデルエラーを悪用することに対して脆弱である。 D4RLベンチマークの1つのよく校正された自己回帰モデルにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-05T10:18:15Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Learning Residual Model of Model Predictive Control via Random Forests for Autonomous Driving [13.865293598486492]
  自律運転における予測制御(MPC)の大きな問題は、システムモデルの予測と計算の矛盾である。 本稿では、MPC追跡精度をプログラム(QP)問題最適化として再構成し、プログラム(QP)が効果的に解けるようにする。
  論文  参考訳（メタデータ） (2023-04-10T03:32:09Z)
• Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
  本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。 我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
  論文  参考訳（メタデータ） (2023-03-27T13:39:26Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。