論文の概要: LE-PAVD: Learning-Enhanced Physics-Aware Vehicle Dynamics for High-Speed Autonomous Navigation

• arxiv url: http://arxiv.org/abs/2605.08489v1
• Date: Fri, 08 May 2026 21:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 15:15:50.664471
• Title: LE-PAVD: Learning-Enhanced Physics-Aware Vehicle Dynamics for High-Speed Autonomous Navigation
• Title（参考訳）: LE-PAVD:高速自律走行のための物理応用車両ダイナミクスの学習
• Authors: Musabbir Ahmed Arrafi, Malik Ali, Nicholas M. Stiffler, Krishna Bhavithavya Kidambi,
• Abstract要約: 本研究では,物理先行と学習部品を統合するハイブリッドモデルLE-PAVD(Learning-Enhanced Physics-Aware Vehicle Dynamics)を提案する。 私たちのアーキテクチャでは、負荷に敏感なPacejkaタイヤ力、縦方向の荷重伝達、横方向のタイヤ力効果、速度制限アクチュエータ入力の4つのコンポーネントを追加しています。 未確認トラックでは、LE-PAVDは平均変位誤差(ADE)を16.1$%、最終変位誤差(FDE)を20.6$%、Yaw-rate root mean squared error(RMSE)を91.3$%、深さを91.3$%下げる。
• 参考スコア（独自算出の注目度）: 2.5199066832791526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of nonlinear vehicle dynamics is essential for high-speed autonomous racing, where controllers operate at the handling limits. Model-based methods are interpretable but rely on simplifying assumptions, while purely learned models capture nonlinearities yet often lack physical consistency and generalization. We propose LE-PAVD (Learning-Enhanced Physics-Aware Vehicle Dynamics), a hybrid model that integrates physics priors with learned components. Our architecture adds four components: load-sensitive Pacejka tire forces, longitudinal load transfer, lateral tire-force effects, and rate-limited actuator inputs. Trained end-to-end on simulation and real-world telemetry, LE-PAVD enforces physical consistency while improving state prediction accuracy. On an unseen track, LE-PAVD reduces average displacement error (ADE) by 16.1$\%$, final displacement error (FDE) by 20.6$\%$, and lowers yaw-rate root mean squared error (RMSE) by 91.3$\%$ versus a deep dynamics baseline, while using 21.6$\%$ fewer FLOPs and achieving approximately 1.50$\times$ faster inference. In closed-loop simulations, LE-PAVD consistently outperforms the baseline by achieving faster lap times by 17.4$\%$ on a training track and 9.5$\%$ on a test track, without any track boundary violations. Overall, LE-PAVD offers a compact, physics-grounded dynamics backbone that improves predictive fidelity and closed-loop performance while reducing inference cost.
• Abstract（参考訳）: 非線形車両力学の正確なモデリングは、制御器がハンドリング限界で作動する高速自律走行に不可欠である。 モデルベースの手法は解釈可能であるが、仮定を単純化することに依存するが、純粋に学習されたモデルは非線形性を捉えるが、物理的整合性や一般化に欠けることが多い。 本研究では,物理先行と学習部品を統合するハイブリッドモデルLE-PAVD(Learning-Enhanced Physics-Aware Vehicle Dynamics)を提案する。 私たちのアーキテクチャでは、負荷に敏感なPacejkaタイヤ力、縦方向の荷重伝達、横方向のタイヤ力効果、速度制限アクチュエータ入力の4つのコンポーネントを追加しています。 LE-PAVDはシミュレーションと実世界のテレメトリのエンドツーエンドで訓練され、状態予測精度を改善しながら物理的一貫性を強制する。 未確認トラックでは、LE-PAVD は平均変位誤差 (ADE) を 16.1$\%$ 、最終変位誤差 (FDE) を 20.6$\%$ に減らし、Yaw-rate root mean squared error (RMSE) を 91.3$\%$ に下げる。 クローズドループシミュレーションでは、LE-PAVDは、トレーニングトラックで17.4$\%、テストトラックで9.5$\%、境界違反なしで高速なラップタイムを達成し、ベースラインを一貫して上回る。 LE-PAVDは、推論コストを低減しつつ予測忠実度と閉ループ性能を向上させる、コンパクトで物理地上の動的バックボーンを提供する。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• A Flow Matching Framework for Soft-Robot Inverse Dynamics [13.045225329973617]
  オープンループフィードフォワード制御のための逆力学フレームワークは、生成トランスポートマップとしてシステムの微分力学を学習する。 作業は、ソフトロボットシステムにおいて、微分逆ダイナミクスを学習するための堅牢で高性能なパラダイムとしてフローマッチングを実証する。
  論文  参考訳（メタデータ） (2026-04-03T12:45:46Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Physics Enhanced Residual Policy Learning (PERPL) for safety cruising in mixed traffic platooning under actuator and communication delay [8.172286651098027]
  線形制御モデルは、その単純さ、使いやすさ、安定性解析のサポートにより、車両制御に広範囲に応用されている。 一方、強化学習(RL)モデルは適応性を提供するが、解釈可能性や一般化能力の欠如に悩まされる。 本稿では,物理インフォームドポリシによって強化されたRL制御系の開発を目標とする。
  論文  参考訳（メタデータ） (2024-09-23T23:02:34Z)
• 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)
• Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Constrained Neural Network for Autonomous Racing [0.0]
  本稿では,自律レースカーの車両動力学モデリングのための物理拘束型ニューラルネットワーク(PCNN)であるDeep Dynamicsを紹介する。 物理係数推定と力学方程式を組み合わせて、高速で車両状態を正確に予測する。 物理ベースのシミュレータとフルスケールの自律型インディレースカーデータを使用したオープンループとクローズドループのパフォーマンス評価は、ディープダイナミクスをレースカーのダイナミックをモデル化するための有望なアプローチとして強調する。
  論文  参考訳（メタデータ） (2023-12-07T15:44:56Z)
• 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)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)

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。