論文の概要: Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning

• arxiv url: http://arxiv.org/abs/2608.00113v1
• Date: Fri, 31 Jul 2026 08:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 15:30:41.101783
• Title: Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning
• Title（参考訳）: 最小時間計画による自律走行車ドリフトのためのトラックガイド型階層型強化学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.68768189557651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Formula 1, drivers optimize racing lines within tire grip limits to minimize lap times; however, in rally racing, drivers intentionally break traction to drift on loose surfaces. This maneuver rapidly aligns the vehicle for corner exits, ultimately reducing lap time. Autonomously executing such maneuvers formulates a complex dual-objective control problem: stabilizing highly nonlinear drift dynamics while strictly minimizing lap time. Addressing this challenge motivates the development of advanced Minimum-Lap-Time (MLT) drift control architectures. This paper proposes a planning-control framework specifically designed for MLT drifting scenario. First, we formulate an optimal control problem to generate a MLT drift planning trajectory, which is used as prior data to train a deep reinforcement learning drift controller. Given that drifting involves extremely large sideslip angles and is therefore challenging to learn directly, a Track-guided Reinforcement Learning (TgRL) drift control method is proposed to enable progressive training in a step-by-step manner, from drift control policy, to drift corner policy, and finally to a comprehensive drift race policy. The reward function incorporates both an instant reward term and an end reward term derived from the Minimum-Lap-Time objective. Simulation results demonstrate that the proposed framework enables the agent to learn a drift racing policy that not only ensures vehicle motion control performance but also effectively reduces lap time.
• Abstract（参考訳）: 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てラップタイムを最小限にするが、ラリーレースではドライバーは故意に緩やかな表面をドリフトするために牽引を壊す。 この操作は、車両をコーナー出口に迅速に配置し、最終的にラップタイムを短縮する。 そのような操作を自律的に実行すると、複雑な二重目的制御問題、すなわち高非線形なドリフトダイナミクスを安定化し、ラップタイムを厳格に最小化する。 この課題に対処するため、MLT(Minimum-Lap-Time)ドリフト制御アーキテクチャの開発が進められている。 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。 まず,MLTドリフト計画軌道を生成するための最適制御問題を定式化し,事前データとして深部強化学習ドリフト制御系を訓練する。 ドリフトには非常に大きなサイドリップ角が伴い,直接学習が難しいことから,ドリフト制御ポリシからドリフトコーナーポリシ,そして最終的に総合ドリフトレースポリシに至るまで,段階的に進行的なトレーニングを可能にするトラック誘導強化学習(TgRL)ドリフト制御法が提案されている。 報酬関数は、最小時間目標から導かれる即時報酬項と終末報酬項の両方を包含する。 シミュレーションの結果,提案手法により,車両の走行制御性能を確保できるだけでなく,ラップタイムを効果的に低減できるドリフトレースポリシーを学習できることがわかった。

関連論文リスト

• Emergent Autonomous Drifting for Collision Avoidance in Real-World Winter Driving Scenarios [0.3899855581265356]
  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。
  論文  参考訳（メタデータ） (2026-07-21T18:05:19Z)
• Benchmarking Empirical and Learning-Based Approaches for Feedforward Steering Control in Autonomous Racing [2.183305325115666]
  フィードフォワードステアリング制御は、自律走行のための階層型制御アーキテクチャの重要な構成要素である。 本稿では,2つの学習ベースと2つの経験的フィードフォワードコントローラのベンチマークを示す。 実世界Abu Dhabi Autonomous Racing Leagueコンペティションに基づく高忠実度シミュレーションフレームワークでフィードフォワードコントローラをテストする。
  論文  参考訳（メタデータ） (2026-05-20T12:44:36Z)
• 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)
• 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)
• 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)
• 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)
• 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。