論文の概要: Pushing the Performance Limits in Autonomous Racing: Continuous Stability-Aware Adaptive Velocity Planning in Formula Student Driverless

• arxiv url: http://arxiv.org/abs/2606.10733v1
• Date: Tue, 09 Jun 2026 11:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.028363
• Title: Pushing the Performance Limits in Autonomous Racing: Continuous Stability-Aware Adaptive Velocity Planning in Formula Student Driverless
• Title（参考訳）: 自律走行における性能限界を推し進める:フォーミュラドライバーレスの連続安定性を考慮した適応速度計画
• Authors: Tamara Bergerhoff, Sebastian Baader, Pascal Meißner, Frank Deinzer,
• Abstract要約: 自律レースにおいて、レースカーの目標速度の正確な計画は、競争的なラップタイムと安定した運転行動に不可欠である。 本稿では,動的に変化する条件に適応する速度計画法(VP)を提案する。 提案手法は, 実際のフォーミュラ学生レースカーにおいて, ラップタイムを10周で35 %改善し, 非適応アプローチと比較して平均8 %向上した。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In autonomous racing, especially in competitions such as Formula Student Driverless, precise planning of the target velocity of a race car is crucial for competitive lap times and stable driving behavior. Especially at high speeds, Velocity Planning (VP) is a significant challenge as it has to be performed in real time, taking into account track layouts, environmental influences, mechanical tolerances, and the resulting control inaccuracies. In this paper, we present a novel approach to VP that dynamically adapts to such changing conditions. Instead of estimating the physical Tire-Road Friction Coefficient (TRFC), a continuous scaling factor is inferred indirectly from vehicle stability. This factor not only reflects the effective tire-road interaction but also captures effects of control inaccuracies. From this, we generate a continuous friction map, which serves as a robust, adaptive basis for computing the optimal target speed, accounting for both vehicle and environmental limits. Our proposed approach was evaluated on a real Formula Student race car, showing a lap time improvement of 35 % over ten laps and an average increase of 8 % compared to a non-adaptive approach.
• Abstract（参考訳）: フォーミュラ学生ドライバーレスなどの競技において、レースカーの目標速度の正確な計画は、レースラップタイムと安定した運転行動に不可欠である。 特に高速では、トラックレイアウト、環境影響、機械的耐性、そして結果として生じる制御不正確さを考慮して、リアルタイムに実行する必要があるため、ベロシティプランニング(VP)は重要な課題である。 本稿では,このような変化に動的に適応するVPに対して,新しいアプローチを提案する。 物理的タイヤ回転摩擦係数(TRFC)を推定する代わりに、連続スケーリング係数を車両安定性から間接的に推定する。 この因子はタイヤと道路の効果的な相互作用を反映するだけでなく、制御の不正確さの影響を捉えている。 これにより、車両と環境の双方の限界を考慮した最適目標速度を計算するための堅牢で適応的な基盤として機能する連続的な摩擦マップを生成する。 提案手法は, 実際のフォーミュラ学生レースカーにおいて, ラップタイムを10周で35 %改善し, 非適応アプローチと比較して平均8 %向上した。

関連論文リスト

• Binary Road Surface Classification Using Machine Learning on Production Vehicle Signals During Cruising [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-01T18:25:53Z)
• 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)
• Accelerating Real-World Overtaking in F1TENTH Racing Employing Reinforcement Learning Methods [1.1452732046200158]
  本研究は、トラックを確実に走行し、シミュレーションと現実の両方において相手を追い越すことができる新しいレース・オーバーテイクエージェントを提案する。 その結果、相手に対するエージェントのトレーニングは、レース直前のトレーニングを受けたエージェントの56%に対して、87%のオーバーテイク率で故意にオーバーテイクできることが示された。
  論文  参考訳（メタデータ） (2025-10-30T00:38:18Z)
• Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed [0.0]
  本稿では、予め定義された経路を走行しながら、低速自動運転における最大速度安定性を維持するという課題に対処する。 低速シナリオにおいても安全性や経路精度を損なうことなく、車両が最高速に近い速度を達成できるような運転ポリシーを最適化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-20T01:06:41Z)
• 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)
• 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)
• 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)
• Learning from Simulation, Racing in Reality [126.56346065780895]
  ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。 シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
  論文  参考訳（メタデータ） (2020-11-26T14:58:49Z)

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。