論文の概要: Binary Road Surface Classification Using Machine Learning on Production Vehicle Signals During Cruising
- arxiv url: http://arxiv.org/abs/2606.02762v1
- Date: Mon, 01 Jun 2026 18:25:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.540005
- Title: Binary Road Surface Classification Using Machine Learning on Production Vehicle Signals During Cruising
- Title（参考訳）: 走行中の生産車両信号における機械学習を用いた二元路面の分類
- Authors: Vishal Hariharan, Salar Basiri, Kanwar Bharat Singh,
- Abstract要約: 走行中の車両信号と路面状態の相関関係を機械学習を用いて明らかにする必要がある。
特徴に基づくフレームワークとエンドツーエンドのデータ駆動フレームワークを用いて、車両の動力学的挙動の統計と路面の状態とを相関させる。
車輪速度、車輪トルク、長手加速度、操舵角度、ヨーレートの短い緩衝窓をバッチするスライディングウインドウアプローチを採用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge of real-time road slipperiness, or even better, a refined estimate of peak grip potential, is a critical input for vehicle warning and intervention control systems. Typically, friction is estimated through dynamics-based recursive estimators by calculating the slip slope; however, its efficacy is heavily constrained by the vehicle dynamic scenario. When the vehicle is cruising and there is little to no slip, these methods become ineffective due to the inability of present-day production-grade sensors, such as wheel speed sensors, and methods to either measure or accurately estimate micro slip, which is crucial for distinguishing different surfaces. To address this challenge, the correlation between vehicle signals and road surface condition during cruising needs to be uncovered using machine learning. In this paper, a feature-based framework and an end-to-end data-driven framework are used to correlate the statistics of vehicle dynamics behavior with the condition of the road surface and perform binary classification into grip, dry or damp, and slip, snow or ice, conditions. A sliding-window approach is adopted to batch a short buffered window of wheel speeds, wheel torques, longitudinal acceleration, steering angle, and yaw rate, which are fed into a machine learning module for predicting the road state. Validation results on public-road data show scenarios where the data-driven method identifies the road surface correctly even during cruising, showing promise for accurate data-driven friction-related state estimators in the field of tire and vehicle dynamics.
- Abstract（参考訳）: リアルタイム道路の滑りやすさの知識、あるいはそれ以上に、ピークグリップ電位の洗練された推定は、車両の警告と介入制御システムにとって重要な入力である。
典型的には、摩擦はスリップスロープを計算することで力学に基づく再帰的推定器によって推定されるが、その有効性は車両の動的シナリオに強く制約される。
車両が走行中、滑りがほとんどない場合には、車輪速度センサーのような現在の生産段階のセンサーが使えないことや、異なる表面を識別するために重要な微小すべりを計測または正確に推定する方法により、これらの方法は効果がなくなる。
この課題に対処するためには、機械学習を用いてクルージング中の車両信号と路面状態の相関を明らかにする必要がある。
本稿では,道路面の状態と車両の動特性の統計を相関付け,グリップ,ドライ,ドライ,スリップ,雪,氷の2値分類を行うために,特徴に基づくフレームワークとエンドツーエンドのデータ駆動フレームワークを用いた。
道路状態を予測するための機械学習モジュールに供給される車輪速度、車輪トルク、長手加速度、操舵角度、ヨーレートの短い緩衝窓をバッチするスライディングウインドウアプローチを採用する。
公道データにおける検証結果は, 走行中であっても, データ駆動法が道路表面を正確に識別するシナリオを示し, タイヤや車両の動力学の分野における正確なデータ駆動摩擦関連状態推定器の可能性を示唆している。
関連論文リスト
- CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection [7.82687682320363]
攻撃的な運転は交通事故の大きな原因であり、道路安全に深刻な脅威をもたらす。
深層学習法は、車両センサデータから危険運転行動を検出するための有望な結果を示している。
しかし、実際の環境での性能は、厳しいデータ不均衡、ドライバー間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。
論文 参考訳（メタデータ） (2026-05-22T10:30:28Z) - 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) - High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles [9.252000699538346]
本稿では,自動走行車両が空調動作中にピーク摩擦領域を活発に励起することのできる高スリップ比制御フレームワークを提案する。
雑音および局所空間下でのピークRFCを頑健に推定するために,ビンニングに基づく統計的予測手法を提案する。
このフレームワークは、クローズドループシミュレーションと実車実験の両方を通じて検証され、その正確性、安全性、そしてスケーラブルで費用対効果の高い道路摩擦スクリーニングの実現可能性を示す。
論文 参考訳（メタデータ） (2026-03-10T01:34:00Z) - 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) - Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring [0.4972323953932129]
本稿では,カメラ画像から路面摩擦特性を推定できるディープラーニング回帰モデルSIWNetを提案する。
SIWNetはアーキテクチャに不確実性推定機構を含めることで、技術の状態を拡張している。
モデルは、SeeingThroughFogデータセットでトレーニングされ、テストされた。
論文 参考訳（メタデータ） (2023-10-02T06:33:06Z) - Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data [40.43737902900321]
性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
論文 参考訳（メタデータ） (2023-03-26T13:15:44Z) - 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) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Road Roughness Estimation Using Machine Learning [0.0]
自動車の垂直加速度と速度を用いた道路粗さ予測のための機械学習パイプラインを提案する。
その結果,従来の乗用車に搭載された車内センサを用いて,道路の粗さを正確に予測できることが示唆された。
論文 参考訳（メタデータ） (2021-07-02T17:37:55Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z)
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。