論文の概要: High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles

• arxiv url: http://arxiv.org/abs/2603.09073v1
• Date: Tue, 10 Mar 2026 01:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.138534
• Title: High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles
• Title（参考訳）: 自動車両を用いたピークタイヤ摩擦推定のための高スリップ比制御
• Abstract要約: 本稿では,自動走行車両が空調動作中にピーク摩擦領域を活発に励起することのできる高スリップ比制御フレームワークを提案する。 雑音および局所空間下でのピークRFCを頑健に推定するために,ビンニングに基づく統計的予測手法を提案する。 このフレームワークは、クローズドループシミュレーションと実車実験の両方を通じて検証され、その正確性、安全性、そしてスケーラブルで費用対効果の高い道路摩擦スクリーニングの実現可能性を示す。
• 参考スコア（独自算出の注目度）: 9.252000699538346
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate estimation of the tire-road friction coefficient (TRFC) is critical for ensuring safe vehicle control, especially under adverse road conditions. However, most existing methods rely on naturalistic driving data from regular vehicles, which typically operate under mild acceleration and braking. As a result, the data provide insufficient slip excitation and offer limited observability of the peak TRFC. This paper presents a high-slip-ratio control framework that enables automated vehicles (AVs) to actively excite the peak friction region during empty-haul operations while maintaining operational safety. A simplified Magic Formula tire model is adopted to represent nonlinear slip-force dynamics and is locally fitted using repeated high-slip measurements. To support safe execution in car-following scenarios, we formulate a constrained optimal control strategy that balances slip excitation, trajectory tracking, and collision avoidance. In parallel, a binning-based statistical projection method is introduced to robustly estimate peak TRFC under noise and local sparsity. The framework is validated through both closed-loop simulations and real-vehicle experiments, demonstrating its accuracy, safety, and feasibility for scalable, cost-effective roadway friction screening.
• Abstract（参考訳）: タイヤロード摩擦係数(TRFC)の正確な推定は、特に悪路条件下での安全な車両制御の確保に不可欠である。 しかし、既存のほとんどの手法は、通常車両からの自然主義的な運転データに依存しており、通常は緩やかな加速とブレーキの下で動作している。 その結果、データはスリップ励起が不十分であり、ピークRFCの可観測性が制限される。 本稿では,自動走行車(AV)が運転安全を保ちながら空き作業中にピーク摩擦領域を活発に励起することのできる高スリップ比制御フレームワークを提案する。 簡易なマジックフォーミュラタイヤモデルは非線形スリップ力のダイナミクスを表現するために採用され, 繰り返し高スリップ測定を用いて局所的に取り付けられる。 車両追従シナリオにおける安全実行を支援するため,スリップ励振,軌道追跡,衝突回避のバランスをとる制約付き最適制御戦略を定式化した。 並列に結合型統計予測法を導入し,雑音および局所空間下でのピークRFCを頑健に推定する。 このフレームワークは、クローズドループシミュレーションと実車実験の両方を通じて検証され、その正確性、安全性、そしてスケーラブルで費用対効果の高い道路摩擦スクリーニングの実現可能性を示す。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Parsimonious disturbance-aware minimum-time planning with parametric uncertainty [0.0]
  本研究は、モータースポーツ応用のための最小ラップタイム計画フレームワークを提示し、検証する。 この手法は、車両のダイナミクスを短い地平線上で伝播させる、事前の障害対応フレームワークの上に構築されている。 我々は、キーカーパラメータの不確実性を考慮した定式化を拡張した。
  論文  参考訳（メタデータ） (2026-07-14T22:32:35Z)
• Binary Road Surface Classification Using Machine Learning on Production Vehicle Signals During Cruising [0.0]
  走行中の車両信号と路面状態の相関関係を機械学習を用いて明らかにする必要がある。 特徴に基づくフレームワークとエンドツーエンドのデータ駆動フレームワークを用いて、車両の動力学的挙動の統計と路面の状態とを相関させる。 車輪速度、車輪トルク、長手加速度、操舵角度、ヨーレートの短い緩衝窓をバッチするスライディングウインドウアプローチを採用する。
  論文  参考訳（メタデータ） (2026-06-01T18:25:53Z)
• CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection [7.82687682320363]
  攻撃的な運転は交通事故の大きな原因であり、道路安全に深刻な脅威をもたらす。 深層学習法は、車両センサデータから危険運転行動を検出するための有望な結果を示している。 しかし、実際の環境での性能は、厳しいデータ不均衡、ドライバー間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。
  論文  参考訳（メタデータ） (2026-05-22T10:30:28Z)
• High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility [5.779535973286779]
  局所軌道計画のための新しいモデル予測制御(MPC)法を開発した。 MPCは、多くの最先端手法で無視されるロールオーバーを緩和するために分析的に示される。 プランナーの安全で極端な軌道を提供する能力は、シミュレーション実験とフルスケールの物理実験の両方を通して研究されている。
  論文  参考訳（メタデータ） (2026-03-20T21:51:10Z)
• Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling [0.0]
  本研究は,バイナリクラッシュ分類器を0-100連続安全性スコアに変換するフレームワークであるSafeDriver-IQを紹介する。 15の相補的な分析結果から,高リスク運転条件と低リスク運転条件を確実に区別できることが示唆された。 発見によると、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加する。
  論文  参考訳（メタデータ） (2026-03-16T05:37:12Z)
• ReflexDiffusion: Reflection-Enhanced Trajectory Planning for High-lateral-acceleration Scenarios in Autonomous Driving [14.885968822668824]
  ReflexDiffusionは、反射調整により拡散に基づく軌道プランナーを強化する推論段階のフレームワークである。 最先端(SOTA)法よりも14.1%向上した。
  論文  参考訳（メタデータ） (2026-01-14T11:03:29Z)
• Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving [11.436186697804835]
  本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。 我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-05-10T19:21:00Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Tire-road friction estimation and uncertainty assessment to improve electric aircraft braking system [0.0]
  道路摩擦係数のオンライン推定は、先進的なブレーキ制御システムにとって欠かせない特徴である。 本研究では, ニューラルネットに基づくデータ駆動方式を提案し, 最適摩擦係数を窓面のすべり摩擦測定関数として推定する。 未知表面における航空機の着陸相の開ループおよび閉ループシミュレーションを用いて, 提案した頑健な摩擦推定手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-11-14T10:36:14Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Driving-Policy Adaptive Safeguard for Autonomous Vehicles Using Reinforcement Learning [19.71676985220504]
  本稿では,衝突回避戦略とアクティベーション機能を含むDPAS設計を提案する。 運転政策適応型アクティベーション機能は、緊急脅威が検出された場合に、現在の運転方針リスクを動的に評価し、起動する必要がある。 実験の結果は自然発生運転データにより校正され, より多くの介入を伴わずに, 衝突速度を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-12-02T08:01:53Z)
• 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)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。