論文の概要: MonoSIM: An open source SIL framework for Ackermann Vehicular Systems with Monocular Vision

• arxiv url: http://arxiv.org/abs/2603.23965v1
• Date: Wed, 25 Mar 2026 05:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.15086
• Title: MonoSIM: An open source SIL framework for Ackermann Vehicular Systems with Monocular Vision
• Title（参考訳）: MonoSIM:モノクロビジョンを備えたAckermann Vehicular Systems用のオープンソースのSILフレームワーク
• Authors: Shantanu Rahman, Nayeb Hasin, Mainul Islam, Md. Zubair Alom Rony, Golam Sarowar,
• Abstract要約: 提案されたフレームワークは単純さに重点を置いており、XTENTH-CARプラットフォームのような小規模の実験的なセットアップを簡単に扱えるようにしている。 このプラットフォームはフレキシブルなアルゴリズムテストと検証環境をサポートしており、研究者は様々な制御戦略を実装し比較することができる。 その結果、このプラットフォームはアルゴリズム検証のための信頼性の高い環境を提供しており、将来のマルチエージェントシステム研究、教育目的、低コストAGV開発に理想的なツールであることを確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents an open-source Software-in-the-Loop (SIL) simulation platform designed for autonomous Ackerman vehicle research and education. The proposed framework focuses on simplicity, while making it easy to work with small-scale experimental setups, such as the XTENTH-CAR platform. The system was designed using open source tools, creating an environment with a monocular camera vision system to capture stimuli from it with minimal computational overhead through a sliding window based lane detection method. The platform supports a flexible algorithm testing and validation environment, allowing researchers to implement and compare various control strategies within an easy-to-use virtual environment. To validate the working of the platform, Model Predictive Control (MPC) and Proportional-Integral-Derivative (PID) algorithms were implemented within the SIL framework. The results confirm that the platform provides a reliable environment for algorithm verification, making it an ideal tool for future multi-agent system research, educational purposes, and low-cost AGV development. Our code is available at https://github.com/shantanu404/monosim.git.
• Abstract（参考訳）: 本稿では,自律型アッカーマン車の研究・教育を目的とした,オープンソースのSoftware-in-the-Loop(SIL)シミュレーションプラットフォームを提案する。 提案されたフレームワークは単純さに重点を置いており、XTENTH-CARプラットフォームのような小規模の実験的なセットアップを簡単に扱えるようにしている。 このシステムはオープンソースのツールを使って設計され、モノクラーカメラの視覚システムを使って、スライディングウィンドウに基づく車線検出手法により、最小の計算オーバーヘッドで刺激を捉える環境を作った。 このプラットフォームはフレキシブルなアルゴリズムテストと検証環境をサポートしており、研究者は簡単に使える仮想環境内で様々な制御戦略を実装し比較することができる。 プラットフォームの動作を検証するため、SILフレームワーク内にモデル予測制御(MPC)とPIDアルゴリズムを実装した。 その結果、このプラットフォームはアルゴリズム検証のための信頼性の高い環境を提供しており、将来のマルチエージェントシステム研究、教育目的、低コストAGV開発に理想的なツールであることを確認した。 私たちのコードはhttps://github.com/shantanu404/monosim.git.comから入手可能です。

関連論文リスト

• PymooLab: An Open-Source Visual Analytics Framework for Multi-Objective Optimization using LLM-Based Code Generation and MCDM [0.0]
  PymooLabは、textitpymoo上に構築されたオープンソースのビジュアル分析環境である。 単一の再現可能なワークフローで構成、実行監視、正式な決定サポートを統合する。 計算集約的な研究のために、PymooLab は JAX を通したネイティブなテキストピモオ加速経路に依存している。
  論文  参考訳（メタデータ） (2026-03-02T00:56:32Z)
• GAMMS: Graph based Adversarial Multiagent Modeling Simulator [15.681127447904322]
  GAMMS(Graph based Adrial Multiagent Modeling Simulator)は軽量かつスケーラブルなシミュレーションフレームワークである。 GAMMSはスケーラビリティ、使いやすさ、統合ファーストアーキテクチャ、高速な視覚化フィードバック、現実世界の接地という5つの目標を強調している。 都市道路網や通信システムといった複雑な領域の効率的なシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2026-02-04T22:38:51Z)
• GEM: A Gym for Agentic LLMs [88.36970707762424]
  General Experience Maker (GEM) は、大規模言語モデル(LLM)の時代に設計されたオープンソースの環境シミュレータである。 GEMは、高スループットのための非同期ベクトル化実行を含む環境エージェントインタフェースの標準化されたフレームワークを提供する。 GEMを用いてPPO,GRPO,REINFORCEのアップル・ツー・アップル・ベンチマークを行い,アルゴリズム設計に光を当てる。
  論文  参考訳（メタデータ） (2025-10-01T15:55:57Z)
• EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
  大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。 我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:59:07Z)
• Genie Envisioner: A Unified World Foundation Platform for Robotic Manipulation [69.30586607892842]
  我々は,ロボット操作のための統一世界基盤プラットフォームであるGenie Envisioner(GE)を紹介する。 GEは、ポリシー学習、評価、シミュレーションを単一のビデオ生成フレームワークに統合する。
  論文  参考訳（メタデータ） (2025-08-07T17:59:44Z)
• Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
  本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。 当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:56:35Z)
• CoRL: Environment Creation and Management Focused on System Integration [0.0]
  コア強化学習ライブラリ(Core Reinforcement Learning Library, CoRL)は、モジュール式で構成可能で、設定可能な環境作成ツールである。 簡単に読み取れる構成ファイル、ピダンティックバリデータ、およびファクタデザインパターンを使用することで、エージェントの観察、報酬、完了条件の微調整を可能にする。
  論文  参考訳（メタデータ） (2023-03-03T19:01:53Z)
• FL_PyTorch: optimization research simulator for federated learning [1.6114012813668934]
  フェデレートラーニング(FL)は、エッジデバイスが共同で機械学習モデルを学ぶための有望なテクニックとして登場した。 FL_PyTorchはpythonで書かれたオープンソースのソフトウェアスイートで、最も人気のあるDeep Learning (DL)フレームワークであるPyTorchの上に構築されている。
  論文  参考訳（メタデータ） (2022-02-07T12:18:28Z)
• Scenic4RL: Programmatic Modeling and Generation of Reinforcement Learning Environments [89.04823188871906]
  リアルタイム戦略(RTS)環境では,多様な現実シナリオの生成が難しい。 既存のシミュレータのほとんどは環境をランダムに生成することに頼っている。 我々は、研究者を支援するために、既存の形式シナリオ仕様言語であるSCENICを採用する利点を紹介する。
  論文  参考訳（メタデータ） (2021-06-18T21:49:46Z)
• LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations [8.647853543335662]
  我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。 LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。 LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
  論文  参考訳（メタデータ） (2020-01-28T06:34:35Z)

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。