論文の概要: A Scaled Three-Vehicle Platooning Platform

• arxiv url: http://arxiv.org/abs/2604.25963v1
• Date: Tue, 28 Apr 2026 01:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.107265
• Title: A Scaled Three-Vehicle Platooning Platform
• Title（参考訳）: 大型3車載プラトゥールプラットフォーム
• Authors: Kaiyue Lu, Qiaoxuan Zhang, Yukun Lu,
• Abstract要約: Intelligent Mobility and Robotics Lab (IMRL) は、自律型小隊研究のための大規模多動車プラットフォームを開発している。 このプラットフォームは、1台の人間操作可能なリード車両と2台の自律的なフォロワーで構成され、リーダーとフォロワーの調整に関する制御および繰り返し可能な実験を可能にする。 フルスケールのフィールドテストと比較して、このスケールされたプラットフォームは、高速プロトタイピング、コントローラバリデーション、マルチエージェント自律性研究のための、より安全で低コストで柔軟な環境を提供する。
• 参考スコア（独自算出の注目度）: 1.1071349414388978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle platooning has attracted increasing attention as a promising approach to improve traffic efficiency, energy consumption, and roadway safety through coordinated multi-vehicle operation. A key challenge in platooning lies in maintaining stable and accurate path tracking during dynamic maneuvers such as lane changes, where lateral deviations and heading disturbances generated by the lead vehicle may propagate downstream to following vehicles. Robust longitudinal and lateral control systems are therefore essential not only for individual vehicle tracking performance, but also for overall platoon stability. For experimental studies, the Intelligent Mobility and Robotics Lab (IMRL) develops a scaled multi-vehicle platform for autonomous platooning research, with a particular emphasis on cooperative control and human-in-the-loop autonomy. This platform consists of one human-operable lead vehicle and two autonomous followers, enabling controlled and repeatable experiments on leader-follower coordination. Compared with full-scale field testing, this scaled platform offers a safer, lower-cost, and more flexible environment for rapid prototyping, controller validation, and multi-agent autonomy studies, while providing stronger physical realism than purely simulation-based evaluations.
• Abstract（参考訳）: 交通効率,エネルギー消費,道路安全を協調した多輪車による運転を通じて改善する,有望なアプローチとして,車両小隊化が注目されている。 小隊における重要な課題は、車線変更のような動的操作中の安定かつ正確な経路追跡を維持することである。 したがって、ロバストな縦方向と横方向の制御システムは、個々の車両追跡性能だけでなく、全体小隊の安定性にも不可欠である。 実験的な研究のために、Intelligent Mobility and Robotics Lab (IMRL) は、自律小隊研究のためのスケールされたマルチ車両プラットフォームを開発しており、特に協調的な制御とループ内自律性に焦点を当てている。 このプラットフォームは、1台の人間操作可能なリード車両と2台の自律的なフォロワーで構成され、リーダーとフォロワーの調整に関する制御および繰り返し可能な実験を可能にする。 フルスケールのフィールドテストと比較して、このスケールされたプラットフォームは、高速プロトタイピング、コントローラバリデーション、マルチエージェント自律性研究のためのより安全で低コストで柔軟な環境を提供し、純粋なシミュレーションベースの評価よりも強力な物理リアリズムを提供する。

関連論文リスト

• A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
  本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。 我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。 本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
  論文  参考訳（メタデータ） (2024-11-21T21:23:46Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation [3.807917169053206]
  スケールされたロボットカーは通常、車両の状態の推定と制御に特化したタスクを含む階層的な制御機構を備えている。 本稿では, (i) フェデレートされた拡張カルマンフィルタ (FEKF) と (ii) エキスパートデモレータを用いて訓練された新しい深部強化学習 (DRL) パストラッキングコントローラを提案する。 実験により検証されたモデルは、(i)FEKFの設計を支援するために使用され、(ii)DRLに基づく経路追跡アルゴリズムをトレーニングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-01-10T14:40:53Z)
• Multi-Agent Deep Reinforcement Learning for Cooperative and Competitive Autonomous Vehicles using AutoDRIVE Ecosystem [1.1893676124374688]
  我々は、ニジェールとF1TENTHの物理的に正確でグラフィカルなデジタル双対を開発するために、AutoDRIVE Ecosystemを導入する。 まず,複数エージェントの学習環境だけでなく,限られた状態情報を相互に共有する一組の協調車両(Nigel)を用いた交差点問題について検討する。 次に、異なる車両群(F1TENTH)を用いて、個別のポリシーアプローチを用いたマルチエージェント学習環境において、対向的なヘッドツーヘッド自律レース問題を調査する。
  論文  参考訳（メタデータ） (2023-09-18T02:43:59Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• 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)
• Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
  Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。 まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。 第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
  論文  参考訳（メタデータ） (2022-05-27T08:07:39Z)

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。