論文の概要: Benchmarking Empirical and Learning-Based Approaches for Feedforward Steering Control in Autonomous Racing

• arxiv url: http://arxiv.org/abs/2605.21111v1
• Date: Wed, 20 May 2026 12:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.67398
• Title: Benchmarking Empirical and Learning-Based Approaches for Feedforward Steering Control in Autonomous Racing
• Title（参考訳）: 自律走行におけるフィードフォワードステアリング制御のための経験的・学習的アプローチのベンチマーク
• Authors: Georg Jank, Mattia Piccinini, Sebastian Wenk, Phillip Pitschi, Johannes Betz, Boris Lohmann,
• Abstract要約: フィードフォワードステアリング制御は、自律走行のための階層型制御アーキテクチャの重要な構成要素である。 本稿では,2つの学習ベースと2つの経験的フィードフォワードコントローラのベンチマークを示す。 実世界Abu Dhabi Autonomous Racing Leagueコンペティションに基づく高忠実度シミュレーションフレームワークでフィードフォワードコントローラをテストする。
• 参考スコア（独自算出の注目度）: 2.183305325115666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feedforward steering control is a key component of hierarchical control architectures for autonomous racing. The goal is to reduce steering corrections from the feedback controllers by predicting the vehicle's inverse lateral dynamics. This paper presents a systematic benchmark of two learning-based and two empirical (analytical) feedforward steering controllers. We introduce a new \acf{ehd} formulation based on a polynomial surface fit that captures velocity-dependent nonlinear steering behavior with minimal parametrization. We test the feedforward controllers in a high-fidelity simulation framework based on the real-world Abu Dhabi Autonomous Racing League competition, using a high-fidelity double-track vehicle dynamics simulator. Open-loop evaluation shows that the learning-based controllers achieve the lowest prediction errors; however, closed-loop testing reveals that this improved accuracy does not translate into superior path tracking performance or lap times, even after iterative fine-tuning. In contrast, the proposed EHD approach achieves the best overall closed-loop robustness and lap time, highlighting the necessity of evaluating feedforward strategies within the complete trajectory planning and control software stack. Our code is available at https://github.com/TUMRT/steering_ff_control.
• Abstract（参考訳）: フィードフォワードステアリング制御は、自律走行のための階層型制御アーキテクチャの重要な構成要素である。 目標は、車両の逆横方向のダイナミクスを予測することで、フィードバックコントローラからの操舵補正を減らすことである。 本稿では,2つの学習ベースと2つの経験的(分析的)フィードフォワードステアリングコントローラの系統的ベンチマークを提案する。 最小のパラメトリゼーションで速度依存性の非線形ステアリング挙動を捉える多項式面フィッティングに基づく新しい \acf{ehd} の定式化を導入する。 実世界Abu Dhabi Autonomous Racing Leagueコンペティションに基づく高忠実度シミュレーションフレームワークにおいて,高忠実度ダブルトラック車両動特性シミュレータを用いてフィードフォワードコントローラをテストする。 オープンループ評価は,学習ベースコントローラが最小の予測誤差を達成していることを示しているが,クローズドループ試験では,この精度向上が繰り返し微調整しても,パストラッキング性能やラップタイムに変換されないことが明らかになった。 対照的に、提案したEHDアプローチは、完全な軌道計画と制御ソフトウェアスタック内でフィードフォワード戦略を評価する必要性を強調し、全閉ループロバスト性とラップタイムを最大限に達成する。 私たちのコードはhttps://github.com/TUMRT/steering_ff_control.orgから入手可能です。

関連論文リスト

• Simple but Stable, Fast and Safe: Achieve End-to-end Control by High-Fidelity Differentiable Simulation [14.322775509774246]
  障害物回避(Obstacle avoidance)は、四重項が高度なアプリケーションを実行できるようにするための基本的な視覚ベースのタスクである。 本稿では,深度画像を直接低レベルのボディレートコマンドにマッピングする新しいエンドツーエンドポリシーを提案する。 その結果,提案手法は,最先端のベースラインの中で,最も成功率が高く,かつ最低であることがわかった。
  論文  参考訳（メタデータ） (2026-04-12T09:38:00Z)
• Learning to Tune Pure Pursuit in Autonomous Racing: Joint Lookahead and Steering-Gain Control with PPO [0.0]
  Pure Pursuit (PP) は、リアルタイムパストラッキングのための自律走行に広く使われている。 本稿では,Ldとステアリングゲインgを協調的に選択する強化学習(RL)手法を提案する。 シミュレーションと実車試験を通して、提案したRL-PPコントローラは、固定ヘッドPP、ベロシティスケジューリング適応PP、RLルックアヘッドのみの変種を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-20T17:48:21Z)
• 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)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• 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)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Tuning Path Tracking Controllers for Autonomous Cars Using Reinforcement Learning [0.0]
  本稿では,自動運転車のための強化学習(Reinforcement Learning, RL)に基づく適応経路追跡制御システムを提案する。 トラッカーのチューニングは、学習されたQラーニングアルゴリズムを用いて、横方向および操舵軌道誤差を最小化する。
  論文  参考訳（メタデータ） (2023-01-09T14:17:12Z)
• 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。