論文の概要: Multistep Belief Space Dynamics Learning For Risk-Aware Control

• arxiv url: http://arxiv.org/abs/2605.12628v1
• Date: Tue, 12 May 2026 18:11:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.614609
• Title: Multistep Belief Space Dynamics Learning For Risk-Aware Control
• Title（参考訳）: リスク認識制御のための多段階空間ダイナミクス学習
• Authors: Jason Gibson, Bogdan Vlahov, Patrick Spieler, Evangelos A. Theodorou,
• Abstract要約: モデル予測制御(MPC)のために,リアルタイムに最適化可能な分散力学の学習フレームワークを提案する。 提案した構造からの偏差の影響を実世界のオフロード駆動の大規模データセットを用いて厳密なアブレーション実験を行った。 当社の計画アーキテクチャは、環境に基づいて車両の速度を自然に調整し、多様な地形上でのインテリジェントな振る舞いを一貫して示すことができます。
• 参考スコア（独自算出の注目度）: 16.923373296752533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As autonomous vehicles move from a simplified research setting to practical use, there exists a large gap between the dynamic behavior of a human driving and an autonomous system. Risk-aware behavior needs to naturally develop in order to scale to the demands of the real world. A major issue for risk-aware planning and control has been predicting how dynamical uncertainty evolves through time and optimizing plans that account for this without being overly conservative. Here, we present a learning framework to predict distributional dynamics that can be optimized in real time for Model Predictive Control (MPC). We explore the importance of structure when learning distributional dynamics for use in MPC. A rigorous ablation study is conducted on a large dataset of real world off-road driving that shows the impact of deviations from our proposed structure. Furthermore, we deploy our learned model and planning stack on a full sized vehicle in challenging off-road conditions. Our planning architecture is able to naturally regulate the speed of the vehicle based on the environment and consistently demonstrates intelligent behavior over miles of diverse terrain.
• Abstract（参考訳）: 自動運転車は、シンプルな研究環境から実用に移行するにつれて、人間の運転と自律システムの間には大きなギャップがある。 リスクを意識した行動は、現実世界の要求に合わせるために自然に発達する必要がある。 リスクを意識した計画と管理の大きな問題は、時間を通して動的不確実性がどのように進化するかを予測し、過度に保守的であることなく、これを説明する計画を最適化することである。 本稿では,モデル予測制御(MPC)のために,リアルタイムに最適化可能な分散力学を予測するための学習フレームワークを提案する。 MPCにおける分散力学の学習における構造の重要性について検討する。 提案した構造からの偏差の影響を実世界のオフロード駆動の大規模データセットを用いて厳密なアブレーション実験を行った。 さらに、学習したモデルと計画スタックをフルサイズの車両に展開し、オフロード環境に挑戦する。 当社の計画アーキテクチャは、環境に基づいて車両の速度を自然に調整し、多様な地形上でのインテリジェントな振る舞いを一貫して示すことができます。

関連論文リスト

• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
  RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。 複雑な動的トラフィックシナリオを処理できる。 CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
  本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。 本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
  論文  参考訳（メタデータ） (2024-08-06T13:58:56Z)
• 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)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• 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)
• 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)

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。