論文の概要: PREVENT-JACK: Context Steering for Swarms of Long Heavy Articulated Vehicles

• arxiv url: http://arxiv.org/abs/2604.21337v1
• Date: Thu, 23 Apr 2026 06:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.341094
• Title: PREVENT-JACK: Context Steering for Swarms of Long Heavy Articulated Vehicles
• Title（参考訳）: Prevent-JACK:ロングヘビーアーティキュレーテッド車両のスワーミングのコンテキストステアリング
• Abstract要約: 長尺多関節車(HAV)群の研究 われわれのアプローチであるPrevent-Jackは、ロボット工学のコンテキストステアリングフレームワークを疎結合に導入している。 これは6つのローカルな行動に融合し、デッドロックやライブロックの危険性を犠牲にして、ジャックネフィングや衝突に対する保証を提供する。
• 参考スコア（独自算出の注目度）: 0.7699714865575188
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we aim to extend the traditional point-mass-like robot representation in swarm robotics and instead study a swarm of long Heavy Articulated Vehicles (HAVs). HAVs are kinematically constrained, elongated, and articulated, introducing unique challenges. Local, decentralized coordination of these vehicles is motivated by many real-world applications. Our approach, Prevent-Jack, introduces the sparsely covered context steering framework in robotics. It fuses six local behaviors, providing guarantees against jackknifing and collisions at the cost of potential dead- and livelocks, tested for vehicles with up to ten trailers. We highlight the importance of the Evade Attraction behavior for deadlock prevention using a parameter study, and use 15,000 simulations to evaluate the swarm performance. Our extensive experiments and the results show that both the dead- and livelocks occur more frequently in larger swarms and denser scenarios, affecting a peak average of 27%/31% of vehicles. We observe that larger swarms exhibit increased waiting, while smaller swarms show increased evasion.
• Abstract（参考訳）: 本稿では,Swarmロボティクスにおける従来のポイントマスのようなロボット表現を拡張して,HAV(Heaved Articulated Vehicles)の長い群れを研究することを目的とする。 HAVはキネマティックに制約され、拡張され、明瞭にされ、ユニークな課題がもたらされる。 これらの車両の局所的、分散的な調整は、多くの現実世界の応用によって動機付けられている。 われわれのアプローチであるPrevent-Jackは、ロボット工学のコンテキストステアリングフレームワークを疎結合に導入している。 地元の6つの行動に融合し、最大10台のトレーラーを持つ車両でテストされるデッドロックやリビングロックの可能性を犠牲にして、ジャックニーフィングや衝突に対する保証を提供する。 パラメータスタディを用いたデッドロック防止におけるEvade Attraction行動の重要性を強調し,Swarmの性能評価に15,000のシミュレーションを用いた。 我々の大規模な実験と結果から、大型の群れや密集したシナリオではデッドロックとリビングロックの両方がより頻繁に発生し、車両のピーク平均は27%/31%であった。 より大型の群が待ち時間の増加を示し,小型の群が回避率の向上を示した。

関連論文リスト

• Pedestrians play chicken with an autonomous vehicle [1.5469452301122175]
  ゲーム理論のシークエンシャルチキンモデルでは、人間のドライバーと同様に、AVは衝突の信頼性の高い脅威や、遅延による時間的価値に対する個人空間の深刻な侵入のリスクを交換することで、この問題を解決できることが示されている。 実験条件下での歩行者の挙動は, 衝突の時間的価値が低いシークエンシャル・チキンにより良好に調整できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-27T12:16:00Z)
• AVOID-JACK: Avoidance of Jackknifing for Swarms of Long Heavy Articulated Vehicles [0.7176906280023593]
  本稿では,集中型群知能を活用して,重火力車(HAV)のジャックニッフィングと相互衝突を回避するための新しい手法を提案する。 物流の自動化、リモートマイニング、空港の荷物輸送、農業活動など、現実の応用に関係しているにもかかわらず、この問題は既存の文献では解決されていない。 本稿では, 衝突回避を優先し, 相互衝突回避の基礎を築いた。
  論文  参考訳（メタデータ） (2025-11-11T09:18:42Z)
• AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons [0.0]
  車両小隊は、認証されたインサイダーによる高度なファルシフィケーション攻撃に対して脆弱である。 本稿では,誤動作検出のためのトランスフォーマーベースのフレームワークであるAttentionGuardを紹介する。 我々は,AttentionGuardが攻撃検出において最大0.95F1スコアを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-15T13:24:09Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• 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)
• Distributed Reinforcement Learning for Flexible and Efficient UAV Swarm Control [28.463670610865837]
  本稿では,大規模群に拡大する分散強化学習(RL)手法を提案する。 本実験では, 本手法がコミュニケーションチャネル障害に強い効果的な戦略を導出できることを示した。 また,本手法は計算集約的なルックアヘッドに比べて優れた性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-03-08T11:06:28Z)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)

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。