論文の概要: A Neural Network Based Teleoperation for Remote Controlled Vehicles
- arxiv url: http://arxiv.org/abs/2608.10367v1
- Date: Tue, 11 Aug 2026 01:51:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.862619
- Title: A Neural Network Based Teleoperation for Remote Controlled Vehicles
- Title（参考訳）: ニューラルネットワークを用いた遠隔制御車両の遠隔操作
- Authors: Ning Ding, Azim Eskandarian,
- Abstract要約: 車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作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）: 98.38733381483934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Direct teleoperation of vehicles faces critical technical bottlenecks: communication latency and the operator's inability to physically perceive unmodeled environmental disturbances (e.g., aerodynamic drag, bank angles) coupled with highly nonlinear tire-road dynamics. To address these challenges, we propose a tailored unilateral teleoperation framework. The system integrates the Wave Variable (WV) approach to passively guarantee stability under stochastic delays, and an adaptive Radial Basis Function Network (RBFN) to actively compensate for vehicle-specific uncertainties. Unlike existing WV-neural network architectures designed for bilateral robotic arms, our framework features decoupled adaptive laws specifically designed for vehicle longitudinal and lateral dynamics. Furthermore, compared to model-heavy predictive controllers, the model-free RBFN offers rapid online adaptation without heavy computational overhead. Building upon our preliminary theoretical formulation, this brief paper presents comprehensive comparative analyses and real-world hardware validations. Simulation benchmarks against PID, LQR, MPC, and NMPC demonstrate that the RBFN achieves superior robustness against unmodeled disturbances while requiring orders of magnitude less execution time than MPC and NMPC, making it ideal for resource-constrained vehicle edge computing. Finally, hardware-in-the-loop experiments using a 1/10th scale vehicle over a 4G network validate the system's practical feasibility, safety, and robust trajectory tracking under physical road uncertainties.
- Abstract（参考訳）: 通信遅延とオペレーターが非モデル化された環境障害(例えば、空気力学的な抗力、銀行の角度)を物理的に知覚できないこと、高非線形タイヤロードのダイナミックスと組み合わせることである。
これらの課題に対処するため、我々は片側遠隔操作フレームワークを提案する。
このシステムは、確率的遅延下での安定性を受動的に保証するWave Variable(WV)アプローチと、適応型放射基底関数ネットワーク(RBFN)を統合して、車両固有の不確実性を積極的に補償する。
両用ロボットアーム用に設計された既存のWVニューラルネットワークアーキテクチャとは異なり、我々のフレームワークは車両の縦方向および横方向の力学に特化して設計された適応法則を分離する。
さらに、モデル重み予測コントローラと比較して、RBFNは計算オーバーヘッドを伴わない高速なオンライン適応を提供する。
予備的な理論的定式化に基づいて,本論文では,包括的比較分析と実世界のハードウェア検証について述べる。
PID, LQR, MPC, NMPC に対するシミュレーションベンチマークでは,RBFN は MPC や NMPC よりも桁違いに少ない実行時間を要するため,資源制約のある車両エッジコンピューティングに最適であることが示されている。
最後に、4Gネットワーク上で1/10スケールの車両を用いたループでのハードウェア・イン・ザ・ループ実験により、物理的道路不確実性の下でのシステムの実用性、安全性、堅牢な軌道追跡が検証された。
関連論文リスト
- Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics [0.0]
この研究は、新しい機械学習ベースのフィードバック線形化制御フレームワークを導入している。
RBF NNのオンライン適応は、事前トレーニングなしでネットワークの重みを更新する。
提案した制御器は、高速収束による軌道追跡を改善し、位置ノルムおよびヨー方向RMSEをそれぞれ7.13%以上、49.27%以上削減する。
論文 参考訳（メタデータ） (2026-06-30T06:30:19Z) - DBPnet: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Wheel Load Estimation [11.769488706613709]
車輪の荷重はシャシー制御と安全クリティカルな機能にとって重要な変数である。
複雑なサスペンション幾何学、非線形力学、測定ノイズにより、頑健に推定することは依然として困難である。
ダンパー特性にインスパイアされた物理認識型埋め込みモジュールを備えたベイズ物理学インフォームドニューラルネットワーク(PINN)DBPnetを提案する。
論文 参考訳（メタデータ） (2026-05-24T04:37:22Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。
提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。
堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
論文 参考訳（メタデータ） (2026-03-16T07:44:28Z) - Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。
オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。
動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
論文 参考訳（メタデータ） (2025-10-11T05:11:21Z) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - Physics Enhanced Residual Policy Learning (PERPL) for safety cruising in mixed traffic platooning under actuator and communication delay [8.172286651098027]
線形制御モデルは、その単純さ、使いやすさ、安定性解析のサポートにより、車両制御に広範囲に応用されている。
一方、強化学習(RL)モデルは適応性を提供するが、解釈可能性や一般化能力の欠如に悩まされる。
本稿では,物理インフォームドポリシによって強化されたRL制御系の開発を目標とする。
論文 参考訳（メタデータ） (2024-09-23T23:02:34Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z)
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。