論文の概要: Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform

• arxiv url: http://arxiv.org/abs/2605.19881v1
• Date: Tue, 19 May 2026 14:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.391676
• Title: Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform
• Title（参考訳）: 限界近傍における軌道計画と制御:RoboRacerプラットフォーム上での実験的ベンチマーク
• Authors: Mattia Piccinini, Patrick Zambiasi, Aniello Mungiello, Mattia Piazza, Felix Jahncke, Johannnes Betz,
• Abstract要約: 我々のフレームワークには、時間最適レースライン生成、オンライン時間最適速度計画、幾何経路追跡コントローラ、ステアリング制御のための逆ダイナミクスを学習するための新しいモデル構造化ニューラルネットワーク(MS-NN)が含まれている。 2つの回路を用いて1:10スケールのRoboRacerプラットフォーム上にフレームワークをデプロイする。 我々のMS-NNは追跡精度を大幅に改善し、操舵振動を低減し、物理的に解釈可能である。
• 参考スコア（独自算出の注目度）: 0.7773695810928872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a modular framework to benchmark new and existing methods for trajectory planning and control in high-acceleration maneuvers that push autonomous driving to the limits. Our framework includes time-optimal raceline generation, online time-optimal velocity replanning, geometric path tracking controllers, and a new model-structured neural network (MS-NN) to learn the inverse dynamics for steering control. We deploy our framework on a 1:10-scale RoboRacer platform, using two circuits. Through several ablations with cautious and aggressive racelines, we study the performance of single modules and their combinations. We show that our MS-NN significantly improves tracking accuracy, decreases steering oscillations, and is physically interpretable. Moreover, online velocity replanning improves lap times by compensating for execution errors, and enables the vehicle to safely reach higher speeds and accelerations. To support future research, our code, datasets, videos and results are publicly available at https://roboracer-benchmark.github.io/planning_control_benchmark/.
• Abstract（参考訳）: 本稿では,自動走行を限界まで押し上げる高速運転において,軌道計画と制御のための新しい既存の手法をベンチマークするためのモジュラー・フレームワークを提案する。 我々のフレームワークには、時間最適レースライン生成、オンライン時間最適速度計画、幾何経路追跡コントローラ、ステアリング制御のための逆ダイナミクスを学習するための新しいモデル構造化ニューラルネットワーク(MS-NN)が含まれている。 2つの回路を用いて1:10スケールのRoboRacerプラットフォーム上にフレームワークをデプロイする。 慎重でアグレッシブなレースラインによるいくつかの改善を通じて、単一モジュールとその組み合わせの性能について検討する。 我々のMS-NNは追跡精度を大幅に改善し、操舵振動を低減し、物理的に解釈可能であることを示す。 さらに、オンラインのベロシティ・リプランニングは、実行エラーを補償することでラップタイムを向上し、車両がより高速な速度と加速度に安全に到達できるようにする。 将来の研究をサポートするため、コード、データセット、ビデオ、結果はhttps://roboracer-benchmark.github.io/planning_control_benchmark/.comで公開されている。

関連論文リスト

• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
  ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。 ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-28T06:26:36Z)
• Track-On2: Enhancing Online Point Tracking with Memory [57.820749134569574]
  オンライン長期追跡のためのシンプルで効率的なトランスフォーマーベースモデルであるTrack-OnをTrack-On2に拡張する。 Track-On2は、アーキテクチャの改良によるパフォーマンスと効率の向上、メモリの有効利用、および合成トレーニング戦略の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-23T15:00:18Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• Robust Autonomous Vehicle Pursuit without Expert Steering Labels [41.168074206046164]
  車両追尾用エゴ車両の左右方向と縦方向の動作制御の学習法を提案する。 制御される車両は事前に定義された経路を持たず、安全距離を維持しながら目標車両を追尾するように反応的に適応する。 我々は、CARLAシミュレーターを用いて、幅広い地形における我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-08-16T14:09:39Z)
• 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)

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。