論文の概要: Vision-Augmented On-Track System Identification for Autonomous Racing via Attention-Based Priors and Iterative Neural Correction

• arxiv url: http://arxiv.org/abs/2603.09399v1
• Date: Tue, 10 Mar 2026 09:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.148913
• Title: Vision-Augmented On-Track System Identification for Autonomous Racing via Attention-Based Priors and Iterative Neural Correction
• Title（参考訳）: 意図に基づく優先と反復的ニューラル補正による自律レースの視力強化オントラックシステム同定
• Authors: Zhiping Wu, Cheng Hu, Yiqin Wang, Lei Xie, Hongye Su,
• Abstract要約: 本稿では,自律走行車のための視覚的かつ反復的なシステム識別フレームワークを提案する。 軽量なCNN(MobileNetV3)は、視覚的な道路テクスチャを連続的な摩擦に変換し、パラメータ最適化のための堅牢な"ウォームスタート"を提供する。 微分自由なNelder-Meadアルゴリズムは、ハイブリッド仮想シミュレーションにより物理的に解釈可能なタイヤパラメータを反復的に抽出する。
• 参考スコア（独自算出の注目度）: 17.512282011507356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operating autonomous vehicles at the absolute limits of handling requires precise, real-time identification of highly non-linear tire dynamics. However, traditional online optimization methods suffer from "cold-start" initialization failures and struggle to model high-frequency transient dynamics. To address these bottlenecks, this paper proposes a novel vision-augmented, iterative system identification framework. First, a lightweight CNN (MobileNetV3) translates visual road textures into a continuous heuristic friction prior, providing a robust "warm-start" for parameter optimization. Next, a S4 model captures complex temporal dynamic residuals, circumventing the memory and latency limitations of traditional MLPs and RNNs. Finally, a derivative-free Nelder-Mead algorithm iteratively extracts physically interpretable Pacejka tire parameters via a hybrid virtual simulation. Co-simulation in CarSim demonstrates that the lightweight vision backbone reduces friction estimation error by 76.1 using 85 fewer FLOPs, accelerating cold-start convergence by 71.4. Furthermore, the S4-augmented framework improves parameter extraction accuracy and decreases lateral force RMSE by over 60 by effectively capturing complex vehicle dynamics, demonstrating superior performance compared to conventional neural architectures.
• Abstract（参考訳）: ハンドルの絶対限での自動運転車の運転には、高度に非線形なタイヤ力学を正確にリアルタイムに識別する必要がある。 しかし、従来のオンライン最適化手法は「コールドスタート」初期化の失敗と高周波過渡ダイナミクスのモデル化に苦慮している。 これらのボトルネックに対処するため,本研究では,新たな視覚拡張型反復型システム識別フレームワークを提案する。 第一に、軽量なCNN(MobileNetV3)は、視覚的な道路テクスチャを連続的なヒューリスティックな摩擦に変換し、パラメータ最適化のための堅牢な"ウォームスタート"を提供する。 次に、S4モデルは、従来のMLPとRNNのメモリとレイテンシの制限を回避し、複雑な時間的動的残留をキャプチャする。 最後に、微分自由なNelder-Meadアルゴリズムは、ハイブリッド仮想シミュレーションにより物理的に解釈可能なPacejkaタイヤパラメータを反復的に抽出する。 CarSimの共シミュレーションによれば、軽量の視覚バックボーンは85個のFLOPを用いて摩擦推定誤差を76.1削減し、冷間開始収束を71.4加速する。 さらに、S4強化フレームワークは、パラメータ抽出精度を向上し、複雑な車両力学を効果的に捉えることにより、60以上の横力RMSEを減少させ、従来のニューラルアーキテクチャと比較して優れた性能を示す。

関連論文リスト

• ReconDrive: Fast Feed-Forward 4D Gaussian Splatting for Autonomous Driving Scene Reconstruction [32.767300244488645]
  ReconDriveはフィードフォワードフレームワークで、3DファウンデーションモデルであるVGGTを利用して高速で高忠実な4DGSを生成する。 nuScenesをベンチマークし、ReconDriveは既存のフィードフォワードベースライン、新しいビュー合成、そして3D知覚を著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-08T09:31:15Z)
• HQP: Sensitivity-Aware Hybrid Quantization and Pruning for Ultra-Low-Latency Edge AI Inference [0.0]
  相乗的モデル加速を実現するために設計されたHybrid Quantization and Pruning (HQP)フレームワーク。 HQPフレームワークは3.12倍の推論速度向上と55%のモデルサイズ縮小を実現している。
  論文  参考訳（メタデータ） (2026-02-02T18:17:45Z)
• Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
  我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。 NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。 実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
  論文  参考訳（メタデータ） (2026-02-01T17:29:42Z)
• Adaptive Fusion Graph Network for 3D Strain Field Prediction in Solid Rocket Motor Grains [4.379802056393599]
  固体ロケットモータ粒子の局所的な高ひずみは、構造的故障の主な原因である。 本稿では,構造的に重要な領域の機械的特徴を保存するための適応グラフネットワークGrainGNetを提案する。 GrainGNetは、ベースライングラフのU-Netモデルと比較して平均2乗誤差を62.8%削減する。
  論文  参考訳（メタデータ） (2025-12-29T13:02:04Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Neural Network Tire Force Modeling for Automated Drifting [0.2999888908665658]
  本稿では,物理に基づくアプローチの代替として,前輪横力を予測するニューラルネットワークアーキテクチャを提案する。 我々はこれらのモデルを基準ドリフト軌跡を追跡するために調整された非線形モデル予測コントローラに展開する。
  論文  参考訳（メタデータ） (2024-07-18T17:58:01Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)

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。