論文の概要: Comfort by Construction: Adaptive, Comfort-Bounded Action Spaces for Learned Driving Policies

• arxiv url: http://arxiv.org/abs/2609.13011v1
• Date: Fri, 11 Sep 2026 16:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.802807
• Title: Comfort by Construction: Adaptive, Comfort-Bounded Action Spaces for Learned Driving Policies
• Title（参考訳）: 建設の快適さ:学習した運転ポリシーのための適応的で快適な行動空間
• Abstract要約: データ駆動駆動シミュレータは、実効的な加速度とジャクを制約することなく、固定グリッドからのコマンドアクセラレーションとステアリング率を制御する。 本稿では,各ステップ毎のグリッドを適応的にパラメータ化して,ステップ毎の実行可能な制御セットを正確に拡張する手法を提案する。
• 参考スコア（独自算出の注目度）: 7.219192676374921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven driving simulators command accelerations and steering rates from a fixed grid without constraining the realized accelerations and jerks. As a result, reinforcement-learning policies inflate safety metrics through abrupt, last-second maneuvers that lie far outside the range of human driving and would be unacceptable to occupants of a real vehicle, so the metrics measure simulator permissiveness rather than policy quality. Enforcing comfort bounds naively is not enough: lateral limits shrink quadratically with speed, so clamping a static grid saturates it and destroys fine-grained control ("grid collapse"). We propose an adaptive action parameterization that rediscretizes the grid at every step to span exactly the per-step feasible control set, via closed-form inversion of the lateral-jerk constraint. We further present PufferDrive-Editor, a browser-based tool to audit realized kinematics and author kinematically challenging scenes. On the Waymo Open Motion Dataset and a hand-authored slalom, our adaptive model holds comfort violations below 1% while outperforming clipped-grid and direct-jerk baselines in navigability.
• Abstract（参考訳）: データ駆動駆動シミュレータは、実効的な加速度とジャクを制約することなく、固定グリッドからのコマンドアクセラレーションとステアリング率を制御する。 その結果、強化学習政策は、人間の運転範囲をはるかに超え、実際の車両の乗員には受け入れられないような急激な最終秒の操作を通じて安全性の指標を膨らませる。 横制限は速度で2次的に縮小するので、静的グリッドのクランプはそれを飽和させ、きめ細かい制御を破壊する("grid collapse")。 本稿では,各ステップ毎のグリッドを,横方向の制約の閉形式反転により,正確にステップ毎の実行可能な制御セットに再帰的に適用する適応的動作パラメータ化を提案する。 我々はさらに、実現されたキネマティクスを監査するブラウザベースのツールであるPufferDrive-Editorを紹介し、キネマティクスの作者がキネマティクスに挑戦するシーンについて紹介する。 Waymo Open Motion Datasetと手書きのスラロームでは、私たちの適応モデルは1%未満の快適な違反を保ちながら、クリップドグリッドと直接ジェットベースラインのナビビリティよりも優れています。

関連論文リスト

• Enhancing Autonomous Vehicle Navigation with a Clothoid-Based Lateral Controller [0.9176056742068814]
  本研究は、適応的なルックアヘッド機構と組み合わされた布状アプローチを用いて、自動運転車の高度な横方向制御戦略を提案する。 主な焦点は、円滑な曲率遷移へのオイラースパイラルの適用による横方向の安定性と経路追跡精度の向上である。 我々の研究の革新的な側面は、リアルタイム車両力学と道路形状に基づく視線距離の適応調整である。
  論文  参考訳（メタデータ） (2026-08-07T20:12:43Z)
• 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)
• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• 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)
• MULE: Multi-terrain and Unknown Load Adaptation for Effective Quadrupedal Locomotion [1.479858319622657]
  四足歩行ロボットは、様々な地形にまたがる荷積み作業にますます利用されている。 本研究では,四足歩行ロボットが様々なペイロードと多様な地形に適応できる適応強化学習フレームワークを提案する。 提案手法はIsaac Gymの大規模シミュレーション実験と,Unitree Go1の4倍体上での実際のハードウェア展開により検証する。
  論文  参考訳（メタデータ） (2025-05-01T12:41:35Z)
• 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)
• 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)
• 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)

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。