論文の概要: Dodging the Moose: Experimental Insights in Real-Life Automated Collision Avoidance

• arxiv url: http://arxiv.org/abs/2602.17512v1
• Date: Thu, 19 Feb 2026 16:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.578394
• Title: Dodging the Moose: Experimental Insights in Real-Life Automated Collision Avoidance
• Title（参考訳）: Dodging the Moose: Real-Life Automated Collision Avoidanceの実験的考察
• Authors: Leila Gharavi, Simone Baldi, Yuki Hosomi, Tona Sato, Bart De Schutter, Binh-Minh Nguyen, Hiroshi Fujimoto,
• Abstract要約: ムーステストは、自動走行の衝突回避における緊急シナリオである。 モデル予測制御(MPC)は、自動車の計画と制御に長年使われてきた。 MPCは、リアルタイムで許容できるソリューションを提供する能力に制限がある。 本稿では, MPC最適化問題が実現不可能か, あるいは適切な解が見つからない場合に, ヒューマンライクなフィードフォワードプランナを提案する。
• 参考スコア（独自算出の注目度）: 12.54116945562857
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The sudden appearance of a static obstacle on the road, i.e. the moose test, is a well-known emergency scenario in collision avoidance for automated driving. Model Predictive Control (MPC) has long been employed for planning and control of automated vehicles in the state of the art. However, real-time implementation of automated collision avoidance in emergency scenarios such as the moose test remains unaddressed due to the high computational demand of MPC for evasive action in such hazardous scenarios. This paper offers new insights into real-time collision avoidance via the experimental imple- mentation of MPC for motion planning after a sudden and unexpected appearance of a static obstacle. As the state-of-the-art nonlinear MPC shows limited capability to provide an acceptable solution in real-time, we propose a human-like feed-forward planner to assist when the MPC optimization problem is either infeasible or unable to find a suitable solution due to the poor quality of its initial guess. We introduce the concept of maximum steering maneuver to design the feed-forward planner and mimic a human-like reaction after detecting the static obstacle on the road. Real-life experiments are conducted across various speeds and level of emergency using FPEV2-Kanon electric vehicle. Moreover, we demonstrate the effectiveness of our planning strategy via comparison with the state-of- the-art MPC motion planner.
• Abstract（参考訳）: 道路上の静的障害物の突然の出現、すなわちムーステストは、自動走行の衝突回避においてよく知られた緊急シナリオである。 モデル予測制御(MPC)は長年、最先端の自動運転車の計画と制御に使われてきた。 しかし, モーステストのような緊急シナリオにおける自動衝突回避のリアルタイム実装は, 危険シナリオにおける回避行動に対するMPCの高い計算要求のため, 未解決のままである。 本稿では, 静的障害物の突如, 予期せぬ出現後, 運動計画のためのMPCのインプレメンテーションによるリアルタイム衝突回避に関する新たな知見を提供する。 現状の非線形MPCは、リアルタイムに許容できるソリューションを提供する能力に制限があるため、MPC最適化問題が実現不可能であるか、あるいは、初期推定の質の低さのために適切な解を見つけることができない場合に、人のようなフィードフォワードプランナを提案する。 本研究では,道路上の静的障害物を検出した上で,フィードフォワードプランナの設計と,人間のような反応を模倣するための最大操舵操作の概念を導入する。 実生活実験はFPEV2-カノン電気自動車を用いて様々な速度と緊急レベルにわたって実施される。 さらに、最先端のMPCモーションプランナとの比較により、計画戦略の有効性を実証する。

関連論文リスト

• D4+: Emergent Adversarial Driving Maneuvers with Approximate Functional Optimization [3.763470738887407]
  我々は、自動運転車と相互作用する悪意のあるドライバーの影響を特定するために、形式的な手法でシナリオベースのフレームワークを実装した。 われわれの結果は、悪質なドライバーが現代の車両の自律的機能を利用するのを防ぐ安全な運転行動の範囲をデザイナーが特定するのに役立つ。
  論文  参考訳（メタデータ） (2025-05-20T05:22:03Z)
• Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
  本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。 提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。 我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
  論文  参考訳（メタデータ） (2025-01-16T16:45:08Z)
• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• AccidentBlip: Agent of Accident Warning based on MA-former [24.81148840857782]
  AccidentBlipは視覚のみのフレームワークで、ビデオの各フレームを処理するために自設計のMotion Accident Transformer(MA-former)を使用している。 AccidentBlipは、DeepAccidentデータセット上の事故検出と予測タスクの両方のパフォーマンスを達成する。 また、V2VおよびV2Xシナリオにおける現在のSOTAメソッドよりも優れており、複雑な現実世界環境を理解するのに優れた能力を示している。
  論文  参考訳（メタデータ） (2024-04-18T12:54:25Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies [5.6405425323717004]
  我々は、人間のデモから訓練された自動運転車を完全に制御するための最初の安全システムを示す。 このアプローチでは、MLプランナの判断に対する健全性チェックを行う、シンプルだが効果的なルールベースのフォールバックレイヤを使用します。 これにより、MLを活用することで、複雑な状況に対処しつつ、安全性を確保しながら、MLプランナのみの衝突を95%削減することが可能になります。
  論文  参考訳（メタデータ） (2021-09-28T10:23:46Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)

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。