論文の概要: Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing

• arxiv url: http://arxiv.org/abs/2607.20973v1
• Date: Thu, 23 Jul 2026 06:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.302714
• Title: Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing
• Title（参考訳）: 自律走行におけるオーバーテイク防止のための深部強化学習誘導モデル予測制御
• Abstract要約: 本論文は、自律走行における防御的障害に対処し、車両がダイナミックな限界付近で動作している間に、より高速な相手が乗っ取らないようにしなければならない。 我々は,階層型強化学習モデル予測制御フレームワークを用いて,防衛を空間的占有規制問題として定式化する。 このフレームワークは33.3msの平均解時間 (13.9ms) を達成する。
• 参考スコア（独自算出の注目度）: 1.7396274240172123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses defensive blocking in autonomous racing, where a vehicle must prevent a faster opponent from overtaking while operating near its dynamic limits. Different from lap-time minimization, we formulate defense as a spatial occupancy regulation problem via a hierarchical reinforcement-learning guided model predictive control framework. A Soft Actor-Critic strategic layer operates in the Frenet domain to generate geometry-aware defensive references, which are embedded into the nonlinear model predictive control formulation as spatial regularization under friction constraints. Evaluated on the Thunderhill West circuit in simulation, the framework increases average overtake time from 8.8 s to 14.6 s while significantly reducing opponent progress. Meanwhile, it allows the vehicle to utilize 83.4% of available tire force. The framework achieves a 33.3 ms mean solve time (13.9 ms std), supporting real-time high-speed adversarial interaction.
• Abstract（参考訳）: 本論文は、自律走行における防御的障害に対処し、車両がダイナミックな限界付近で動作している間に、より高速な相手が乗っ取らないようにしなければならない。 ラップタイムの最小化と異なり、階層的強化学習モデル予測制御フレームワークを用いて、防衛を空間的占有規制問題として定式化する。 ソフトアクター・クリティカル戦略層は、フレネット領域で幾何対応の防衛基準を生成するために動作し、これは非線形モデル予測制御の定式化に摩擦制約の下で空間正規化として組み込まれている。 シミュレーションにおいてサンダーヒル・ウェスト回路に基づいて評価されたこのフレームワークは平均オーバーテイク時間を8.8秒から14.6秒に増加させ、反対の進行を著しく減少させる。 一方、車両は利用可能なタイヤ力の83.4%を使用できる。 このフレームワークは33.3msの平均解時間(13.9ms std)を達成し、リアルタイムの高速対角相互作用をサポートする。

関連論文リスト

• Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing [41.40585589054522]
  軌道プランナーは完全な追跡を前提とし、実行エラーを無視する。 制御インフォームドオンライン軌道計画フレームワークを導入し,実行エラーから学習する。 計算負荷を増大させることなくラップタイムを1.8秒短縮できることを示す。
  論文  参考訳（メタデータ） (2026-08-14T16:32:12Z)
• 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)
• Disturbance-Aware Flight for Aerial Robots in Narrow Space [18.124392684552998]
  本稿では,狭い空間における四極子飛行の計画制御ループにオンライン外乱推定を統合する,外乱認識型計画制御フレームワークを提案する。 実験では、対角線長0.39mの四角形が直線、傾斜、湾曲したトンネルを0.6mまで横切ることができ、成功率と飛行効率の両方で人間のパイロットより優れていた。
  論文  参考訳（メタデータ） (2026-07-20T01:58:05Z)
• Conflict Resolution under Degraded Surveillance in Air Corridors Using Multi-Agent Reinforcement Learning [0.0]
  本研究では,分散コンフリクト解決のためのディープQネットワークに基づくマルチエージェント強化学習フレームワークを開発する。 このフレームワークは、劣化した監視条件下でのより安全なAAM競合解決戦略のシミュレーションに基づく評価を支援する。
  論文  参考訳（メタデータ） (2026-07-13T20:11:44Z)
• Pushing the Performance Limits in Autonomous Racing: Continuous Stability-Aware Adaptive Velocity Planning in Formula Student Driverless [1.0499611180329804]
  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。
  論文  参考訳（メタデータ） (2026-06-09T11:40:30Z)
• Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC [30.927534234540502]
  現在の方法は、しばしば厳密なキネマティック制約を単純化または放棄する。 トポロジカル同定と高速化のためのMPCフレームワークを提案する。 連続的なシナリオでは、総操縦時間を51.6%削減する。 密集したボトルネックで81%を超える成功率を維持している。
  論文  参考訳（メタデータ） (2026-03-10T04:55:30Z)
• 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)
• 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)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• 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)
• Robustifying the Deployment of tinyML Models for Autonomous mini-vehicles [61.27933385742613]
  本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。 我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。 CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
  論文  参考訳（メタデータ） (2020-07-01T07:54:26Z)

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。