論文の概要: RAGE: A Tightly Coupled Radar-Aided Grip Estimator For Autonomous Race Cars

• arxiv url: http://arxiv.org/abs/2604.02892v1
• Date: Fri, 03 Apr 2026 09:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.420544
• Title: RAGE: A Tightly Coupled Radar-Aided Grip Estimator For Autonomous Race Cars
• Title（参考訳）: RAGE:自動運転レースカーのためのレーダー支援グリップ推定器
• Authors: Davide Malvezzi, Nicola Musiu, Eugenio Mascaro, Francesco Iacovacci, Marko Bertogna,
• Abstract要約: 本稿では,車速,タイヤのすべり角度,それに作用する横力を同時に推定する新しいリアルタイム推定器であるRAGを紹介する。 EAV-24自律レースカーで実施した高忠実度シミュレーションと実世界実験により,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 1.4866448722906016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time estimation of vehicle-tire-road friction is critical for allowing autonomous race cars to safely and effectively operate at their physical limits. Traditional approaches to measure tire grip often depend on costly, specialized sensors that require custom installation, limiting scalability and deployment. In this work, we introduce RAGE, a novel real-time estimator that simultaneously infers the vehicle velocity, slip angles of the tires and the lateral forces that act on them, using only standard sensors, such as IMUs and RADARs, which are commonly available on most of modern autonomous platforms. We validate our approach through both high-fidelity simulations and real-world experiments conducted on the EAV-24 autonomous race car, demonstrating the accuracy and effectiveness of our method in estimating the vehicle lateral dynamics.
• Abstract（参考訳）: 車両とタイヤの摩擦のリアルタイム推定は、自律走行車の物理的限界において安全かつ効果的に運転できるようにするために重要である。 タイヤグリップを測定する従来のアプローチは、カスタムインストール、スケーラビリティ、デプロイメントの制限を必要とする高価な特殊なセンサーに依存していることが多い。 本稿では,車両の速度,タイヤのすべり角度,タイヤに作用する横力などを同時に推定する新しいリアルタイム推定器であるRAGについて紹介する。 EAV-24自律レースカーで実施した高忠実度シミュレーションと実世界実験により,本手法の有効性を検証し,車体横方向のダイナミクスを推定する上での精度と有効性を示した。

関連論文リスト

• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• 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)
• High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles [9.252000699538346]
  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。
  論文  参考訳（メタデータ） (2026-03-10T01:34:00Z)
• LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing [0.8356765961526956]
  本稿では,Team PoliMOVEの自律レースカーに搭載されたLiDARに基づく知覚アルゴリズムについて述べる。 実験の結果,アルゴリズムの性能,ロバスト性,計算効率,自律レースアプリケーションに適していることが示された。
  論文  参考訳（メタデータ） (2025-01-24T14:01:51Z)
• Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies [1.3499500088995464]
  リアルタイムドリフト戦略は、高価な軌道最適化を回避しながら、必要な場所に車を配置した。 本研究では,タイヤエネルギー吸収の概念に基づく強化学習エージェントを設計する。 トヨタ GR Supra と Lexus LC 500 の実験では、車体を63degのサイドスリップ角度まで安定して押しながら、追跡誤差を最大10cmに抑えながら、様々なウェイポイント構成でスムーズにドリフトできることが示されている。
  論文  参考訳（メタデータ） (2024-10-28T13:10:15Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• 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)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• 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)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)

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。