論文の概要: AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing

• arxiv url: http://arxiv.org/abs/2607.00141v1
• Date: Tue, 30 Jun 2026 20:19:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.618526
• Title: AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing
• Title（参考訳）: AD-MPCC:自律走行における適応微分モデル予測整合制御
• Abstract要約: Adaptive Differentiable Model Predictive Contouring Control (AD-MPCC)は、自律レースのためのフレームワークである。 オンラインパラメータ推定では、パラメータ化されたPacejka Magic Formulaと正規化された移動水平推定方式を利用する。 本研究では,Pacejkaインフォームド機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.922583645818756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Adaptive Differentiable Model Predictive Contouring Control (AD-MPCC), a framework for autonomous racing that integrates differentiable MPCC with online parameter estimation to handle varying road-surface conditions. For online parameter estimation, we leverage a parameterized Pacejka Magic Formula together with a regularized moving-horizon estimation scheme with exponentially decaying weights to capture road interactions and update parameters in real time. Furthermore, we propose a differentiable MPCC (Diff-MPCC) framework that enables optimal adjustment of objective weights based on predefined long-horizon performance costs. To implement Diff-MPCC for online objective weight adaptation, we propose a Pacejka-informed machine learning model that is trained in a supervised manner using data generated by Diff-MPCC to tune the objective weights. Simulation results demonstrate that AD-MPCC reliably ensures safety and achieves faster lap times compared to baseline controllers in both single-surface and multiple-surface scenarios.
• Abstract（参考訳）: 本稿では,適応微分モデル予測制御(adaptive Differentiable Model Predictive Contouring Control,AD-MPCC)を提案する。 オンラインパラメータ推定では,パラメータ化されたPacejka Magic Formulaと,指数関数的に減衰する重みを持つ正規化移動水平推定スキームを併用して,道路の相互作用を捕捉し,パラメータをリアルタイムで更新する。 さらに,事前定義された長期性能コストに基づいて目標重みの最適調整を可能にする,微分可能なMPCC(Diff-MPCC)フレームワークを提案する。 そこで本研究では,Diff-MPCCが生成したデータを用いて,教師付きで学習したPacejkaインフォームド機械学習モデルを提案する。 シミュレーションの結果,AD-MPCCは単面および複数面のシナリオにおいて,ベースラインコントローラと比較して安全を確実に確保し,ラップタイムの高速化を図っている。

関連論文リスト

• AI-Augmented Model Predictive Control for Safe and Adaptive Rendezvous and Proximity Operations [2.787067333542931]
  本研究は,多エージェント対逆シナリオにおける自律宇宙船RPOのための適応型モデル予測制御(MPC)フレームワークを提案する。 このフレームワークは、モンテカルロシミュレーションにより、公式のKSPDG(Kerbal Space Program Differential Game)で評価された。
  論文  参考訳（メタデータ） (2026-07-18T04:20:23Z)
• Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation [0.0]
  提案するフレームワークはロボット非依存であり,ガゼボを用いたシミュレーションにおいて,Unitree Go2の4倍の精度で評価されている。 完全なシステムは、デプロイ時に最大90.0%のナビゲーション成功率を達成するとともに、シミュレーション環境全体の評価指標を平均38.9%改善する。
  論文  参考訳（メタデータ） (2026-06-08T16:08:09Z)
• Robust Adaptive Predictive Control for Hook-Based Aerial Transportation Between Moving Platforms [1.4592997284674396]
  本稿では,フック付き空中マニピュレータを用いた移動プラットフォーム間の自律的ピック・アンド・プレイスのためのモデル予測制御(MPC)手法を提案する。 提案手法の有効性は,複雑なシミュレーションシナリオや実世界の飛行実験で評価される。
  論文  参考訳（メタデータ） (2026-05-04T09:14:34Z)
• 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)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Performance-driven Constrained Optimal Auto-Tuner for MPC [36.143463447995536]
  MPCのための制約付き最適オートチューニングであるCOAT-MPCを提案する。 COAT-MPCは、パフォーマンスデータを収集し、その後続の信念を更新することによって学習する。 理論的にはCOAT-MPCを解析し,性能制約を任意に高い確率で満たすことを示した。
  論文  参考訳（メタデータ） (2025-03-10T09:56:08Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
  適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。 モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。 本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
  論文  参考訳（メタデータ） (2022-10-23T02:06:48Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。