論文の概要: Emergent Autonomous Drifting for Collision Avoidance in Real-World Winter Driving Scenarios

• arxiv url: http://arxiv.org/abs/2607.19484v1
• Date: Tue, 21 Jul 2026 18:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.902757
• Title: Emergent Autonomous Drifting for Collision Avoidance in Real-World Winter Driving Scenarios
• Title（参考訳）: 実世界冬季運転シナリオにおける衝突回避のための創発的自律ドリフト
• Abstract要約: 本稿では,事故死データに基づくシナリオを扱うために,ドリフト対応非線形モデル予測制御(MPC)システムを提案する。 コントローラーは、後方の軸に氷のパッチを打つ際に、自然にドリフト操作を開始し、道路に留まるように維持する。 モンテカルロによるランダムな氷のパッチに関する研究では、ドリフト可能な制御器は複数の速度でESCよりも低い中央値レーン誤差を達成している。
• 参考スコア（独自算出の注目度）: 0.3899855581265356
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world collision avoidance is a core motivation for studying the dynamics and control of high sideslip drifting in vehicles, yet the practical benefit of such maneuvers has so far primarily been tested in scenarios explicitly engineered to require drifting. In this work, we explore the question of if and when drifting may be optimal for safety in real-world winter driving conditions. We present a drift-capable nonlinear model predictive control (MPC) system designed to handle scenarios grounded in crash fatality data and deploy the controller in a high fidelity simulator across road departure and oncoming vehicle collision avoidance scenarios. The controller naturally initiates and sustains drifting maneuvers to stay on the road when hitting a patch of ice on the rear axle and to avoid an oncoming vehicle that has slid into its lane. Comparisons with a benchmark electronic stability control (ESC) system demonstrate how a drift-capable controller can trade off stability for controllability to precisely maneuver through dangerous winter driving scenarios. A Monte Carlo study over random ice patches further shows that the drift-capable controller achieves lower median lane error than ESC across several speeds, while revealing that drifting emerges predominantly at higher speeds.
• Abstract（参考訳）: 現実の衝突回避は、車両におけるハイサイドリップドリフトのダイナミクスと制御を研究するためのコアモチベーションであるが、そのような操作の実用的利点は、主にドリフトを必要とするように明示的に設計されたシナリオでテストされている。 本研究では,現実の冬期運転環境において,漂流が安全に最適であるかどうかを考察する。 本稿では,事故死データに基づくシナリオを処理し,道路離脱と車両衝突回避シナリオを横断する高忠実度シミュレータにコントローラを配置することを目的とした,ドリフト対応非線形モデル予測制御(MPC)システムを提案する。 コントローラーは、後部軸の氷のパッチを打つ際に、ドリフト操作を自然に開始し、道路に留まるようにし、車線に滑り込んだ対向車を避ける。 ベンチマーク電子安定制御(ESC)システムとの比較は、ドリフト可能な制御装置が、危険な冬の運転シナリオを正確に操作するために、安定性と制御性とのトレードオフをいかに行うかを示す。 モンテカルロによるランダムな氷のパッチに関する研究では、ドリフト可能な制御装置は、複数の速度でESCよりも低い中央値のレーン誤差を達成し、ドリフトは高速で主に出現することを示した。

関連論文リスト

• Stability Control for Real World Testing in Autonomous Racing [4.542902590888213]
  本稿では,自律運転における動作制御アルゴリズムの保護を目的とした総合的安定性制御システムを提案する。 提案システムは電子安定制御(ESC)、スリップ制御(SC)、カウンターステアシステム(CS)からなる。 実世界のフルスケール車両でシミュレーションと実験を行い,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-08-18T13:41:56Z)
• Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning [57.68768189557651]
  フォーミュラ1では、ドライバーはタイヤグリップリミット内のレースラインを最適化し、ラップタイムを最小化する。 ラリーレースでは、ドライバーはゆるい表面をドリフトするために意図的にトラクションを壊します。 本稿では,MLTドリフトシナリオに特化して設計された計画制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-31T08:50:40Z)
• End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
  E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。 微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。 E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
  論文  参考訳（メタデータ） (2026-07-21T02:13:25Z)
• VLM-CASE: Vision-Language Model Enabled Context-Adaptive Safety Envelopes for Anticipatory Safe Autonomous Driving [9.642572690101325]
  悪天候などの逆運転条件は、車両が知覚できるものや物理的にできることを劣化させるため、自動運転の主要な障壁である。 本稿では,自動走行車に予測能力を付与する枠組みであるVLM-CASEを提案する。 気象,路面,照明条件など,横方向と縦方向の両方の制御を必要とするタスクに対して,クローズドループCARLAシミュレーションの枠組みを検証した。
  論文  参考訳（メタデータ） (2026-07-06T14:58:47Z)
• Drifting in the Future: Stabilizing Path Following Drifting on High-Latency Vehicle Systems [6.355446464457206]
  本稿では,コントローラフレームワーク,モデル拡張,実世界の実験結果について述べる。 本稿では, 燃焼機関を搭載したスポーツカーが, 横方向の誤差を1.1mに制限し, サイドリップオーバーシュートを0.06radに制限し, アクチュエータの遅延が250msを超えるにもかかわらず, 軸方向のドリフトとフィギュア8のドリフトを安定に維持できることを観察する。 以上の結果から,従来型の制御が失敗するシナリオにおいて,車両の安定化が可能な高度安全システムへの道を開くことにより,自動ドリフトの実現が可能であることが確認された。
  論文  参考訳（メタデータ） (2026-06-26T10:05:30Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Learning-based Autonomous Oversteer Control and Collision Avoidance [5.523708201910051]
  オーバーステア(Oversteer)は、車両の後部タイヤが牽引力を失い、意図しない過剰なヨーを誘導し、重大な安全上の課題を引き起こす。 本稿では,オーバーステア制御と衝突回避を同時に行う新しいエンド・ツー・エンド(E2E)自動運転手法を提案する。 本稿では,Q-Compared Soft Actor-Critic (QC-SAC)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T08:53:38Z)
• Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies [1.3499500088995464]
  リアルタイムドリフト戦略は、高価な軌道最適化を回避しながら、必要な場所に車を配置した。 本研究では,タイヤエネルギー吸収の概念に基づく強化学習エージェントを設計する。 トヨタ GR Supra と Lexus LC 500 の実験では、車体を63degのサイドスリップ角度まで安定して押しながら、追跡誤差を最大10cmに抑えながら、様々なウェイポイント構成でスムーズにドリフトできることが示されている。
  論文  参考訳（メタデータ） (2024-10-28T13:10:15Z)
• 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)
• 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)
• 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)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• High-speed Autonomous Drifting with Deep Reinforcement Learning [15.766089739894207]
  明示的な運動方程式を伴わない頑健なドリフト制御器を提案する。 私たちのコントローラーは、車両をさまざまな鋭い角を素早く、安定して、目に見えない地図に流すことができる。
  論文  参考訳（メタデータ） (2020-01-06T03:05:52Z)

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。