論文の概要: Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains
- arxiv url: http://arxiv.org/abs/2607.13319v1
- Date: Tue, 14 Jul 2026 22:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.601768
- Title: Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains
- Title（参考訳）: 地形横断型高速MPCに対する一般車両モデルの適用
- Abstract要約: OptCarは、ジェネラリストからスペシャリストFKDモデルへのギャップを埋めるためのレシピだ。
特定の車両の性能を最適化しながら、クロステランの一般化を保っている。
1地形あたりの実際のデータ量はわずか5分で、OptCarは30分間の道路データで訓練された専門家と道路上での競争力がある。
- 参考スコア（独自算出の注目度）: 12.56640534894248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-speed off-road autonomy requires precise closed-loop control for a target vehicle while remaining robust across changing terrains. Recent forward kinodynamic (FKD) prediction foundation models suggest a promising path, starting from a generalist model and specializing it to the target platform. However, effective specialization remains challenging, as it often requires substantial real-world data, and models adapted to one setting can still overfit to specific terrains or driving regimes. We present OptCar (Optimized Car), a recipe for bridging the gap from generalist to specialist FKD models that preserves cross-terrain generalization while optimizing performance for a specific vehicle. $\texttt{OptCar}$ introduces a history-conditioned dynamics adaptation module that encodes recent state-action observations into a dynamics context token, and then fine-tunes the generalist model using limited real-world data together with targeted synthetic rollouts from environment-specific system identification. In closed-loop model predictive control (MPC) experiments across three terrains and an out-of-distribution cart-pulling task, the largest gains appear at 6~m/s, the highest speed evaluated and the regime in which slip dominates tracking error. On vegetation and dirt, the most slip-diverse terrain, OptCar reduces 6~m/s trajectory tracking error by roughly 55% relative to a fine-tuned AnyCar baseline, and remains the most accurate even when an unseen cart payload changes the dynamics. With only 5 minutes of real data per terrain, OptCar is competitive on road with a specialist trained on 30 minutes of road data, and substantially outperforms it once the terrain changes.
- Abstract（参考訳）: 高速オフロード自律には、目標車両の正確なクローズドループ制御が必要である。
最近のフォワードキノダイナミック(FKD)予測基盤モデルは、ジェネラリストモデルからターゲットプラットフォームまで、有望な経路を示唆している。
しかし、実際のデータを必要とすることが多いため、効果的な専門化は依然として困難であり、ある設定に適応したモデルは、特定の地形や運転体制に過度に適合する可能性がある。
本稿では,一般論者から専門的なFKDモデルへのギャップを埋める手法であるOptCar(Optimized Car)について述べる。
$\texttt{OptCar}$は、履歴条件付き動的適応モジュールを導入し、最近の状態アクションを動的コンテキストトークンにエンコードし、その後、環境固有のシステム識別からターゲットとする合成ロールアウトとともに、限られた現実世界データを使用してジェネラリストモデルを微調整する。
クローズドループモデル予測制御(MPC)実験では,3つの地形にまたがって最大速度が6～m/s,最高速度が評価され,スリップが追尾誤差を支配した。
最も滑りやすい地形である植生や土では、OptCarは細調整されたAnyCarのベースラインと比較して6～m/sの軌道追跡誤差を約55%削減する。
地形毎の実際のデータ量はわずか5分だが、OptCarは30分間の道路データに基づいて訓練された専門家と道路上での競争力があり、地形の変化によってその性能を大幅に上回っている。
関連論文リスト
- VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain [11.894870991511567]
VertiAKDは、様々な車両にまたがるオフロードキノダイナミックな知識の伝達と適応のための統一されたフレームワークである。
We demonstrate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。
論文 参考訳（メタデータ） (2026-08-02T02:55:08Z) - Vehicle Prediction Model for Enhanced MPC Path Tracking in Formula Student Driverless [1.0499611180329804]
本稿では,環境変化に適応した自律走行車のための,新しいリアルタイム能動予測モデルを提案する。
既存の手法と比較して、予測精度は最大57%向上した。
実際のフォーミュラ学生レースカー上で,MPCを用いた経路追従制御システムにおいて,モデルの有効性を実証した。
論文 参考訳（メタデータ） (2026-06-09T11:40:30Z) - 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) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - Explore the Use of Time Series Foundation Model for Car-Following Behavior Analysis [0.0]
自動車追従行動のモデル化は、交通シミュレーション、運転パターンの分析、複雑な交通の流れの理解に不可欠である。
機械学習とディープラーニングは複雑なパターンをキャプチャするが、大きなラベル付きデータセットが必要である。
ファンデーションモデルは、膨大な多様な時系列データセットに基づいて事前訓練された、より効率的な代替手段を提供する。
論文 参考訳（メタデータ） (2025-01-13T03:13:32Z) - 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) - 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Autonomous Drifting with 3 Minutes of Data via Learned Tire Models [19.549514141225863]
本稿では,ニューラル常微分方程式とニューラル-ExpTanhパラメータ化に基づくタイヤ力モデルを提案する。
カスタマイズされたToyota Supraによる実験では、高速な自律ドリフトを実現するのに十分な量の運転データが不足していることが示されている。
論文 参考訳（メタデータ） (2023-06-10T01:59:38Z) - 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) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
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。