論文の概要: Mismatch-Aware Adaptive Constraint Tightening for Bicycle-Model Trajectory Optimization

• arxiv url: http://arxiv.org/abs/2605.09376v1
• Date: Sun, 10 May 2026 06:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 14:42:35.772146
• Title: Mismatch-Aware Adaptive Constraint Tightening for Bicycle-Model Trajectory Optimization
• Title（参考訳）: 自転車モデル軌道最適化のためのMismatch-Aware Adaptive Constraint Tightening
• Authors: Lingxue Lyu, Zihui Liu,
• Abstract要約: 自動運転車の軌道最適化は、計算の単純さのため、通常、キネマティック自転車モデルに依存している。 2つの異なるミスマッチ機構を分離する特性速度$v_c=sqrtC_L/M$を導出する。 我々は,MismatchAware Adaptive Constraint Tightening (MACT), $(v,)=a v2||$を提案する。
• 参考スコア（独自算出の注目度）: 4.726777092009554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory optimization for autonomous vehicles usually relies on the kinematic bicycle model because of its computational simplicity. However, when the planned trajectory is executed under the true vehicle dynamics, which include lateral slip, tire stiffness and yaw-lateral coupling, safety constraints can be violated owing to the model mismatch. In this paper, we make three theoretical contributions. First, we derive a characteristic speed $v_c=\sqrt{C_αL/M}$ which separates two different mismatch regimes: below $v_c$ the dynamic bicycle initially oversteers inward (safe); above $v_c$ it understeers outward (safety-critical). Second, we prove that the peak outward deviation $\varepsilon^*$ follows a $T^2$ horizon scaling whose coefficient transitions between a transient bound $\frac{1}{2}(v^2-v_c^2)κ$ and a steady-state bound. Third, we obtain a simulation-free analytical coefficient $a_2^{\mathrm{anal}}=\frac{1}{2}(1-v_c^2/v_{\max}^2)T^2$ that is computable from vehicle parameters and the planning horizon alone. Putting these together, we propose Mismatch-Aware Adaptive Constraint Tightening (MACT), $ε(v,κ)=a_2 v^2|κ|$, which replaces a fixed worst-case margin by a state-dependent one that is large at high speed/curvature but nearly zero on gentle paths. Eight numerical experiments confirm the scaling laws. MACT reaches 100% safety with 84% less wasted margin than a fixed-margin baseline on the 2-DOF vehicle, extends to a nonlinear leaning bicycle, and in a closed-loop direct-shooting MPC comparison it cuts the applied margin by 34% compared with tube MPC while keeping the same safety.
• Abstract（参考訳）: 自動運転車の軌道最適化は、計算の単純さのため、通常、キネマティック自転車モデルに依存している。 しかし、横すべり、タイヤ剛性、ヨー横結合を含む真の車両力学の下で計画された軌道が実行される場合、モデルミスマッチによる安全制約を違反することができる。 本稿では,3つの理論的貢献を行う。 まず、特性速度$v_c=\sqrt{C_αL/M}$を導出し、2つの異なるミスマッチ機構を分離する。 第二に、ピーク外方偏差 $\varepsilon^*$ は、過渡境界 $\frac{1}{2}(v^2-v_c^2)κ$ と定常境界との係数遷移を持つ$T^2$水平スケーリングに従うことを証明している。 第3に、車両パラメータと計画地平線のみから計算可能なシミュレーションフリー解析係数$a_2^{\mathrm{anal}}=\frac{1}{2}(1-v_c^2/v_{\max}^2)T^2$を得る。 そこで本研究では,Mismatch-Aware Adaptive Constraint Tightening (MACT), $ε(v,κ)=a_2 v^2|κ|$を提案する。 8つの数値実験によりスケーリング法則が確定した。 MACTは2-DOF車両の固定マージンベースラインよりも84%の無駄なマージンで100%安全に達し、非線形傾動自転車に拡張され、クローズドループ直接撮影MPC比較では、同じ安全を維持しながらチューブMPCと比較して適用マージンを34%削減する。

関連論文リスト

• DualTCN: A Physics-Constrained Temporal Convolutional Network for 2 Time-Domain Marine CSEM Inversion [1.2031796234206138]
  DualTCNは、時間領域の海洋電磁制御源(MCSEM)過渡データを反転させるための最初のディープラーニングフレームワークである。 このフレームワークは、4つのアースモデルパラメータを回帰し、微分可能なソフトステップデコーダを用いてプロファイルを再構成する。 このフレームワークは、カリキュラムベースの振幅増大によるノイズに対する高い堅牢性を示し、平均$barR2$ 0.858 at $pm2%$ランダム振幅誤差を維持している。
  論文  参考訳（メタデータ） (2026-05-06T14:58:17Z)
• Sequential Minimal Optimization for $\varepsilon$-SVR with MAPE Loss and Sample-Dependent Box Constraints [0.0]
  我々は、$varepsilon$-SVRciteVapnik 1995, Drucker 1997, Smola2004から生じる二次双対問題に対して、MAPE(Mean Absolute Percentage Error)を最小化するために、逐次最小最適化(SMO)アルゴリズムを導出した。 実装はオープンソースの textttpsvr R packageciteBenavidesHerrera2026Rpsvr で利用可能である。
  論文  参考訳（メタデータ） (2026-05-02T13:51:46Z)
• Scaling Federated Linear Contextual Bandits via Sketching [49.12000877146222]
  本稿では,FSCLB(Federated Sketch Contextual Linear Bandits)を提案する。 合成と実世界の両方のデータセットの実験では、FSCLBは計算と通信のコストを90%以上削減している。
  論文  参考訳（メタデータ） (2026-05-01T08:22:06Z)
• Safety-Critical Contextual Control via Online Riemannian Optimization with World Models [7.720387326648637]
  そこでは,ブラックボックスシミュレータによる実行可能性サンプルのみを用いて,プランナがタスク目標を最適化する必要がある。 我々は,オンラインリーマン最適化に基づくPinalized Predictive Controlフレームワークを開発した。 我々の主な結果は、真実現可能多様体からの距離がスコア推定誤差と$(_t)$に依存する比率によって制御されていることを示す文脈的安全性境界であり、どちらもよりリッチな文脈で改善されている。
  論文  参考訳（メタデータ） (2026-04-21T16:28:36Z)
• Attraction, Repulsion, and Friction: Introducing DMF, a Friction-Augmented Drifting Model [37.847379736905175]
  線形スケジューリングされた摩擦が誤差軌道上の有限水平境界を与えることを示す。 我々の摩擦増強モデルDMFは、FFHQ係数の成人と子どものドメイン翻訳に基づいて最適なフローマッチングを行う。
  論文  参考訳（メタデータ） (2026-04-20T12:47:27Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
  確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。 トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
  論文  参考訳（メタデータ） (2023-03-30T02:51:00Z)
• Revisiting Weighted Strategy for Non-stationary Parametric Bandits [82.1942459195896]
  本稿では,非定常パラメトリックバンディットの重み付け戦略を再考する。 より単純な重みに基づくアルゴリズムを生成する改良された分析フレームワークを提案する。 我々の新しいフレームワークは、他のパラメトリックバンディットの後悔の限界を改善するのに使える。
  論文  参考訳（メタデータ） (2023-03-05T15:11:14Z)
• Robust Online Control with Model Misspecification [96.23493624553998]
  本研究では,未知の非線形力学系のモデル不特定性を考慮したオンライン制御について検討する。 本研究は, 線形近似からの偏差を許容できる程度に測定できるロバスト性に着目した。
  論文  参考訳（メタデータ） (2021-07-16T07:04:35Z)

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。