論文の概要: Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing

• arxiv url: http://arxiv.org/abs/2608.14448v1
• Date: Fri, 14 Aug 2026 16:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.442452
• Title: Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
• Title（参考訳）: 自律走行における最小時間軌道計画における制御インフォームド制約適応
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.40585589054522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous racecars operate at the limits of vehicle dynamics, where small control errors translate into safety-critical behavior and lost performance. Trajectory planners assume perfect tracking and remain blind to execution errors. To guarantee safety, trajectory planners therefore restrict themselves to conservative spatial margins, leaving usable track space untapped. To overcome these issues, we introduce a control-informed online trajectory planning framework that learns from its own execution errors. By measuring systematic tracking deviations during runtime, we dynamically adapt spatial track constraints and iteratively expand the free-space planning area. The planner remains time-optimal while compensating for accumulated execution errors. This method was analyzed in a high-fidelity closed-loop simulation environment with autonomous racecars. The results demonstrate that our approach reduces lap time by 1.8\,s without increasing computational burden, maintaining a median runtime of 25 ms. Our finding indicates that feeding control-induced deviations back into the planning layer unlocks performance previously inaccessible to modular architectures and enables autonomous vehicles to exploit track limits systematically.
• Abstract（参考訳）: 自律的なレースカーは車両力学の限界で動作し、小さな制御エラーが安全クリティカルな振る舞いに変換され、性能が低下する。 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。 安全を確保するため、軌道プランナーは保守的な空間的マージンに制限され、使用可能な軌道空間は未使用のままである。 これらの問題を克服するために、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、その実行エラーから学習する。 実行中の空間的軌道制約を動的に適応させ,自由空間計画領域を反復的に拡張する。 プランナーは、蓄積された実行エラーを補償しながら、時間的最適化を保ちます。 自動レースカーを用いた高忠実閉ループシミュレーション環境において,本手法を解析した。 提案手法は,計算負荷を増大させることなくラップタイムを1.8\s削減し,25msの中央値を維持した。我々は,制御誘起偏差を計画層に戻すことにより,以前はモジュラーアーキテクチャに到達できなかった性能を解放し,自律走行車が軌道制限を体系的に活用できることを示した。

関連論文リスト

• Local Path Planning and Obstacle Avoidance for an Omnicopter Platform [5.329751638083761]
  本稿では,全方向マルチロータ(オムニコプタ)のためのリアルタイム局所計画と障害物回避モジュールを提案する。 本手法は, (i) 局所写像のボクセル化, (ii) 車両形状のコンパクトな球面近似, (iii) 6次元探索空間における適応速度サンプリングによるリアルタイム実現性を実現する。 我々は,計算応力試験,高密度ウェイポイント経路追跡,静的・未知の障害物シナリオのシミュレーションにおけるアプローチを評価する。
  論文  参考訳（メタデータ） (2026-09-03T10:25:14Z)
• 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)
• Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions [45.68209588239261]
  本研究は,多目的ロボットのフットプリントが凸自由空間領域内に留まることを保証する安全な局所運動計画制御手法を提案する。 提案された自由空間定式化では障害物検出やセグメンテーションは不要である。 このアプローチは、自動運転車と非ホロノミックな移動ロボットによるハードウェアによるシミュレーションで検証されている。
  論文  参考訳（メタデータ） (2026-06-08T16:44:28Z)
• CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving [55.88697462014118]
  CorrectionPlannerは自己補正を備えた自動回帰プランナーである。 Waymaxでは衝突率を20%以上削減し、nuPlanでは最先端の計画スコアを達成している。
  論文  参考訳（メタデータ） (2026-03-16T18:03:21Z)
• Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight [25.084985306310827]
  本稿では,視覚に基づく四元数に対する時間-最適軌道最適化フレームワークを提案する。 知覚制約を完全な非線形力学、ローターの作動制限、空力効果、カメラの視野制約、凸幾何学ゲート表現と組み合わせる。 実験では、実際の飛行速度は9.8m/s、平均追跡誤差は0.07m、クローズドループの成功率は55%から100%に向上した。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• 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)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• 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)
• Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning [21.500697097095408]
  不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。 RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。 軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
  論文  参考訳（メタデータ） (2020-11-09T20:49:54Z)

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。