論文の概要: MAP2: Model- and Acceleration-Based Pursuit with MPC and Gaussian Process Residual Learning for Autonomous Racing

• arxiv url: http://arxiv.org/abs/2610.12196v1
• Date: Thu, 08 Oct 2026 15:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.144785
• Title: MAP2: Model- and Acceleration-Based Pursuit with MPC and Gaussian Process Residual Learning for Autonomous Racing
• Title（参考訳）: MAP2:MPCとガウス的プロセス残差学習を用いたモデルと加速度に基づく自律レースの探索
• Abstract要約: 自動レースは、車両のハンドリング限界付近の正確な軌道追跡を必要とする。 幾何学的コントローラーは計算的に効率的であるが、アッカーマンステアリング幾何学は極限処理条件下では無効となる。 本稿では、曲率ベースキネマティックMPCとスパースガウス過程残差補正を組み合わせたモデルベース追従コントローラMAP2を提案する。
• 参考スコア（独自算出の注目度）: 19.745896411080842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous racing requires accurate trajectory tracking near the handling limits of a vehicle while maintaining low computational latency. Geometric controllers are computationally efficient, but the Ackermann steering geometry becomes invalid under limit-handling conditions. Model- and Acceleration-based Pursuit (MAP) preserves the simplicity of geometric approaches while leveraging tire dynamics. Yet MAP remains fundamentally a geometric controller that relies on Ackermann steering geometry, and its tire model may not fully capture the vehicle's actual dynamic response. This paper presents MAP2, a model-based pursuit controller that combines a curvature-based kinematic MPC and a Sparse Gaussian Process (SGP) residual correction. The proposed algorithm uses MPC to optimize kinematic control inputs over a prediction horizon and maps them to steering commands through a tire dynamics model augmented with SGP residual correction. Real-world vehicle experiments demonstrate substantial reductions in lateral tracking error and lap time. Compared with MAP and Pure Pursuit (PP), MAP2 reduces the average lateral tracking error by 37.99% and 44.65%, respectively, while reducing average lap time by at least 1.5%.
• Abstract（参考訳）: 自律走行には、低計算レイテンシを維持しながら、車両の処理限界付近での正確な軌道追跡が必要である。 幾何学的コントローラーは計算的に効率的であるが、アッカーマンステアリング幾何学は極限処理条件下では無効となる。 Model- and Acceleration-based Pursuit (MAP) はタイヤのダイナミクスを活用しながら幾何学的アプローチの単純さを保っている。 しかしMAPは、基本的にはアッカーマンの操舵幾何学に依存する幾何学的制御器であり、そのタイヤモデルは車両の実際の動的応答を完全には捉えないかもしれない。 本稿では、曲率ベースキネマティックMPCとスパースガウス過程(SGP)残差補正を組み合わせたモデルベース追従コントローラMAP2を提案する。 提案アルゴリズムは,MPCを用いて予測水平線上での運動制御入力を最適化し,SGP残差補正を付加したタイヤダイナミックスモデルを用いて制御指令にマッピングする。 実世界の車両実験では、横方向の追尾誤差とラップタイムが大幅に削減された。 MAPとPure Pursuit (PP)と比較すると、MAP2は平均横方向追跡誤差を37.99%、44.65%減らし、平均ラップタイムを少なくとも1.5%減らした。

関連論文リスト

• 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)
• Vehicle Prediction Model for Enhanced MPC Path Tracking in Formula Student Driverless [1.0499611180329804]
  本稿では,環境変化に適応した自律走行車のための,新しいリアルタイム能動予測モデルを提案する。 既存の手法と比較して、予測精度は最大57%向上した。 実際のフォーミュラ学生レースカー上で,MPCを用いた経路追従制御システムにおいて,モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2026-06-09T11:40:30Z)
• 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)
• 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)
• Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC [12.133328085287497]
  レースにおける極端なコーナーリングは、しばしば大きなサイドスリップ角につながり、車両制御にとって重要な課題である。 モデル予測制御(MPC)とガウス過程回帰(GPR)を統合するモデル補正ドリフトコントローラを提案する。 GPRは、ドリフト平衡解法とMPC最適化過程の両方において、車両モデルのミスマッチを補正するために使用される。
  論文  参考訳（メタデータ） (2024-10-08T06:56:51Z)
• 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)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• 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)

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。