論文の概要: Efficient Trajectory Optimization for Autonomous Racing via Formula-1 Data-Driven Initialization

• arxiv url: http://arxiv.org/abs/2603.07126v1
• Date: Sat, 07 Mar 2026 09:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.037957
• Title: Efficient Trajectory Optimization for Autonomous Racing via Formula-1 Data-Driven Initialization
• Title（参考訳）: フォーミュラ1データ駆動初期化による自律レースの効率的な軌道最適化
• Authors: Samir Shehadeh, Lukas Kutsch, Nils Dengler, Sicong Pan, Maren Bennewitz,
• Abstract要約: 軌道最適化は高速で効率的な自律レースの中心的なコンポーネントである。 本稿では,実世界のF1テレメトリに基づく学習インフォームド戦略を提案する。
• 参考スコア（独自算出の注目度）: 7.069718718698565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory optimization is a central component of fast and efficient autonomous racing. However practical optimization pipelines remain highly sensitive to initialization and may converge slowly or to suboptimal local solutions when seeded with heuristic trajectories such as the centerline or minimum-curvature paths. To address this limitation, we leverage expert driving behavior as a initialization prior and propose a learning-informed initialization strategy based on real-world Formula 1 telemetry. To this end, we first construct a multi-track Formula~1 trajectory dataset by reconstructing and aligning noisy GPS telemetry to a standardized reference-line representation across 17 tracks. Building on this, we present a neural network that predicts an expert-like raceline offset directly from local track geometry, without explicitly modeling vehicle dynamics or forces. The predicted raceline is then used as an informed seed for a minimum-time optimal control solver. Experiments on all 17 tracks demonstrate that the learned initialization accelerates solver convergence and significantly reduces runtime compared to traditional geometric baselines, while preserving the final optimized lap time.
• Abstract（参考訳）: 軌道最適化は高速で効率的な自律レースの中心的なコンポーネントである。 しかし、実用的な最適化パイプラインは初期化に非常に敏感であり、中心線や最小曲率経路のようなヒューリスティックな軌道でシードされた場合、ゆっくりと収束するか、最適の局所解に収束する可能性がある。 この制限に対処するために、専門家による運転動作を事前初期化として活用し、実世界のF1テレメトリに基づく学習インフォームド初期化戦略を提案する。 そこで我々はまず,ノイズの多いGPSテレメトリを17トラックにわたって標準化された基準線表現に再構成・整合させることにより,マルチトラックフォーミュラ〜1トラジェクトリデータセットを構築した。 これに基づいて、車両の動力や動力を明示的にモデル化することなく、局所的な軌道形状から直接専門家のようなレースラインオフセットを予測するニューラルネットワークを提案する。 予測されたレースラインは、最小時間最適制御解決器のインフォメーションシードとして使用される。 全17トラックの実験では、学習した初期化がソルバ収束を加速し、最終的な最適化ラップタイムを保ちながら、従来の幾何学的ベースラインに比べて実行時間を著しく短縮することを示した。

関連論文リスト

• DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
  本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。 極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。 新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
  論文  参考訳（メタデータ） (2025-08-02T03:15:47Z)
• 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)
• Evaluation of Local Planner-Based Stanley Control in Autonomous RC Car Racing Series [0.0]
  本稿では,自動RCカーレースの制御手法を提案する。 実際のLiDARポイントクラウド上では、ローカルパスのみを計画している。 1/10サイズのRCカーでテストし、ベースソリューションから実際のF110thレースにおける最適設定までのチューニング手順を示す。
  論文  参考訳（メタデータ） (2024-08-27T15:50:31Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• 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)
• Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap Time Simulation Using Machine Learning [0.0]
  本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインの正確な予測を生成するための機械学習アプローチについて述べる。 ネットワークは、平均絶対誤差 +/-0.27m でレースラインを予測することができる。
  論文  参考訳（メタデータ） (2021-02-03T22:34:22Z)

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。