論文の概要: CAR: Cross-Vehicle Kinodynamics Adaptation via Mobility Representation

• arxiv url: http://arxiv.org/abs/2603.06866v1
• Date: Fri, 06 Mar 2026 20:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.01554
• Title: CAR: Cross-Vehicle Kinodynamics Adaptation via Mobility Representation
• Title（参考訳）: CAR: モビリティ表現によるクロスサイクル動力学的適応
• Authors: Tong Xu, Chenhui Pan, Xuesu Xiao,
• Abstract要約: CAR(Cross-vehicle Kinodynamics Adaptation by Mobility Representation)は、新しい車両への高速移動を可能にする新しいフレームワークである。 我々は,CARをクロノ多物理エンジン上に構築したVerti-Benchシミュレータを用いて評価し,Verti-4-Wheelerプラットフォームを4つの物理構成で評価した。
• 参考スコア（独自算出の注目度）: 12.994292036520681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing autonomous off-road mobility typically requires either extensive, platform-specific data collection or relies on simplified abstractions, such as unicycle or bicycle models, that fail to capture the complex kinodynamics of diverse platforms, ranging from wheeled to tracked vehicles. This limitation hinders scalability across evolving heterogeneous autonomous robot fleets. To address this challenge, we propose Cross-vehicle kinodynamics Adaptation via mobility Representation (CAR), a novel framework that enables rapid mobility transfer to new vehicles. CAR employs a Transformer encoder with Adaptive Layer Normalization to embed vehicle trajectory transitions and physical configurations into a shared mobility latent space. By identifying and extracting commonality from nearest neighbors within this latent space, our approach enables rapid kinodynamics adaptation to novel platforms with minimal data collection and computational overhead. We evaluate CAR using the Verti-Bench simulator, built on the Chrono multi-physics engine, and validate its performance on four distinct physical configurations of the Verti-4-Wheeler platform. With only one minute of new trajectory data, CAR achieves up to 67.2% reduction in prediction error compared to direct neighbor transfer across diverse unseen vehicle configurations, demonstrating the effectiveness of cross-vehicle mobility knowledge transfer in both simulated and real-world environments.
• Abstract（参考訳）: 自律オフロードモビリティを開発するには、通常、広範なプラットフォーム固有のデータ収集を必要とするか、一輪車や自転車モデルのような単純化された抽象化に依存している。 この制限は、進化する異種自律ロボット群間のスケーラビリティを妨げる。 この課題に対処するために、新しい車両への迅速な移動移動を可能にする新しいフレームワークであるモビリティ表現(CAR)によるクロス車両キノダイナミックス適応を提案する。 CARは、Adaptive Layer Normalizationを備えたTransformerエンコーダを使用して、車両の軌道遷移と物理的構成を共有モビリティ潜在空間に埋め込む。 この潜伏空間内の近接する近傍から共通性を特定し,抽出することにより,データ収集と計算オーバーヘッドを最小限に抑えた新しいプラットフォームへの迅速なキノダイナミックス適用が可能となる。 我々は,CARをクロノ多物理エンジン上に構築したVerti-Benchシミュレータを用いて評価し,Verti-4-Wheelerプラットフォームを4つの物理構成で評価した。 わずか1分間の新たな軌跡データにより、CARは様々な車両構成の直接的な隣接移動と比較して最大67.2%の予測誤差を減少させ、シミュレーションと実環境の両方で車間移動の知識伝達の有効性を実証した。

関連論文リスト

• VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain [12.6823418300363]
  VertiAdaptor (VA)は、地形を考慮したキノダイナミックモデリングと計画のためのオンライン適応フレームワークである。 VAは、一連のニューラル常微分方程式基底関数によって広がるキノダイナミック空間を学習し、複雑な車両とテランの相互作用をキャプチャする。 VAは予測精度を最大23.9%改善し、適応時間を5倍速くする。
  論文  参考訳（メタデータ） (2026-03-06T21:08:19Z)
• Dynamics-Decoupled Trajectory Alignment for Sim-to-Real Transfer in Reinforcement Learning for Autonomous Driving [37.61391230495979]
  強化学習(RL)はロボット工学において有望だが、実際の車両にRLを配備することは依然として難しい。 タイヤ特性、路面条件、空力障害、車両負荷などの要因により、実世界の力学を正確にモデル化することは不可能である。 本研究では,移動計画と車両制御を空間的・時間的アライメント戦略で分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-10T14:45:24Z)
• VertiFormer: A Data-Efficient Multi-Task Transformer for Off-Road Robot Mobility [49.512339092493384]
  VertiFormerは、たった1時間のデータでトレーニングされた、新しいデータ効率のマルチタスクトランスフォーマーモデルである。 我々の実験は、限られたデータでオフロードロボットの移動にトランスフォーマーを効果的に活用するための洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-01T20:21:00Z)
• Offline Adaptation of Quadruped Locomotion using Diffusion Models [59.882275766745295]
  本稿では,複数のスキル間の相互補間と学習の限界に同時に対処する,四足歩行への拡散に基づくアプローチを提案する。 これらの機能は、マルチスキルポリシーと互換性があり、ほとんど変更することなく、最小限の計算オーバーヘッドで適用可能であることを示す。 ANYmal四重奏プラットフォーム上でのハードウェア実験によるアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2024-11-13T18:12:15Z)
• 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)
• Parameterized Decision-making with Multi-modal Perception for Autonomous Driving [12.21578713219778]
  AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。 ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
  論文  参考訳（メタデータ） (2023-12-19T08:27:02Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)

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。