論文の概要: TRACK: Telemetry-Based Racing Analysis and Coaching Kit in Sim Racing Games
- arxiv url: http://arxiv.org/abs/2610.10061v1
- Date: Wed, 07 Oct 2026 13:29:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.935896
- Title: TRACK: Telemetry-Based Racing Analysis and Coaching Kit in Sim Racing Games
- Title（参考訳）: TRACK:シムレーシングゲームにおけるテレメトリベースのレーシング分析とコーチングキット
- Abstract要約: TRACKは、シムレースのパフォーマンスを駆動するフレームワークである。
教師なしクラスタリングを用いて指紋を類似度でグループ化する。
我々の研究は、コーナータイプがそれらを定義するのに使われなかった行動次元に沿って異なることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents TRACK (Telemetry-Based Racing Analysis and Coaching Kit), which is a framework for analyzing driving performance in sim racing and profiling how individual drivers behave behind the wheel. We report this framework together with its limitations: we calibrate each clustering result against a null, and when one does not separate from chance, we say so. Instead of restricting ourselves to scoring drivers or sorting them into preset labels, we represent each recording session as a compact geometry in a four-dimensional behavioral space (speed, braking, strategy, and consistency), and we group these fingerprints by their similarity using unsupervised clustering. Over time, we have developed and refined this framework on the open Assetto Corsa Gym (ACGym) dataset. Our study suggests that corner types differ along a behavioral dimension that was not used to define them. It also suggests that when the car changes, only speed and consistency carry over in the restricted population, while repeatability could not be shown there for any of the braking or strategy measures. Cluster separation becomes less distinct as the range of available telemetry widens. Until that repeatability is shown, grouping on the braking and strategy dimensions cannot treat the car as interchangeable, which divides an already small sample into smaller cells. It is also not clear whether a driver's grouping carries over from one corner type to the next. We also normalize each metric against a reinforcement-learning reference agent. The reference does not depend on the sample, so the scale does not shift when the sample does. We intend these results as an analytical foundation for a personalized improvement suggestion system. The sample is small. The cross-car result changes when the sample is defined more broadly. These outcomes are preliminary.
- Abstract（参考訳）: 本稿では,各ドライバーが車輪の後方でどのように振る舞うかを解析・プロファイリングするフレームワークであるTRACK(Telemetry-based Racing Analysis and Coaching Kit)を提案する。
それぞれのクラスタリング結果をnullに対して校正し、チャンスから切り離さない場合には、そう言う。
ドライバのスコアリングやラベルのソートを制限するのではなく、各セッションを4次元の行動空間(スピード、ブレーキ、戦略、一貫性)のコンパクトな幾何学として表現し、教師なしクラスタリングを用いてそれらの指紋を類似度でグループ化する。
時間をかけて、オープンなAssetto Corsa Gym(ACGym)データセット上で、このフレームワークを開発し、洗練しました。
我々の研究は、コーナータイプがそれらを定義するのに使われなかった行動次元に沿って異なることを示唆している。
また、車両が変われば、速度と一貫性のみが制限された人口に受け継がれ、繰り返し性はブレーキや戦略のいずれにも示されないことを示唆している。
クラスタ分離は、利用可能なテレメトリの範囲が拡大するにつれて、より区別される。
繰り返し性を示すまでは、ブレーキと戦略の寸法をグループ化しても、車体を交換可能なものとして扱えないため、既に小さなサンプルを小さなセルに分割する。
また、ドライバーのグルーピングが1つのコーナータイプから次のコーナータイプに受け継がれるかどうかも明らかになっていない。
また、各指標を強化学習参照エージェントに対して正規化する。
参照はサンプルに依存しないので、サンプルの場合にはスケールが変化しない。
パーソナライズされた改善提案システムのための分析基盤として,これらの結果を提案する。
サンプルは小さいです。
クロスカーの結果は、サンプルがより広く定義されると変化する。
これらの結果は予備的です。
関連論文リスト
- Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning [6.63181149575886]
巨視的異方性ドリフトを緩和するGeometry-Anchored Transport Frameworkを提案する。
また、局所化多様体の分解を正規化するトポロジー・アウェア進化の目的も導入する。
CIFAR-100、TinyImageNet、ImageNet-100にわたる実験では、提案されたフレームワークが既存のポストホック代替品を一貫して改善していることが示されている。
論文 参考訳（メタデータ） (2026-06-24T03:27:20Z) - The Evaluation Game: Beyond Static LLM Benchmarking [2.168753020470345]
本稿では,評価者とトレーナーの相互作用を2人プレイヤゲームとして形式化するゲーム理論フレームワークを提案する。
モデルの局所性依存性を示す実証的証拠を提供する。
ベンチマークは静的なプロンプトのセットではなく,評価者のグループアクションの下での軌道である。
論文 参考訳（メタデータ） (2026-05-19T05:22:21Z) - Driving pattern interpretation based on action phases clustering [3.7974127678115126]
本研究では,非教師的手法で行動フェーズを分類することで,運転パターンをさらに解釈する新しい枠組みを提案する。
現実世界のデータセットを使用したフレームワークの適用により、"'Catch Up''、'Keep away'、''Maintain distance'とラベル付けされたI80データセットの6つの駆動パターンが明らかになった。
論文 参考訳（メタデータ） (2024-07-17T10:40:23Z) - Understanding Collapse in Non-Contrastive Learning [122.2499276246997]
モデルがデータセットサイズに対して小さすぎる場合,SimSiam表現が部分次元崩壊することを示す。
本稿では,この崩壊の度合いを計測し,微調整やラベルを使わずに下流のタスク性能を予測できる指標を提案する。
論文 参考訳（メタデータ） (2022-09-29T17:59:55Z) - Unsupervised Driving Behavior Analysis using Representation Learning and
Exploiting Group-based Training [15.355045011160804]
運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。
現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。
時系列の圧縮表現を学習することで一貫した群を形成する。
論文 参考訳（メタデータ） (2022-05-12T10:27:47Z) - Hybrid Tracker with Pixel and Instance for Video Panoptic Segmentation [50.62685357414904]
ビデオパノプティカル係数(VPS)は、コヒーレントなパノプティカルセグメンテーションを生成し、ビデオフレーム全体の全ピクセルのアイデンティティを追跡することを目的としている。
単一トラッカーの限界を取り除くために,軽量かつ共同的な追跡モデルであるHybridTrackerを提案する。
総合的な実験により、HybridTrackerはCityscapes-VPSとVIPERデータセットの最先端メソッドよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-03-02T16:21:55Z) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳（メタデータ） (2022-02-07T13:08:11Z) - Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。
グループサンプリングを提案し、同じクラスのサンプルをグループに集める。
Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
論文 参考訳（メタデータ） (2021-07-07T05:39:58Z) - Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。
そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文 参考訳（メタデータ） (2020-10-23T08:33:04Z)
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。