論文の概要: Mapping Tire-Road Friction Coefficients Along Driven Trajectories
- arxiv url: http://arxiv.org/abs/2610.14235v1
- Date: Fri, 09 Oct 2026 18:51:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 22:30:32.150956
- Title: Mapping Tire-Road Friction Coefficients Along Driven Trajectories
- Title（参考訳）: 駆動軌道に沿ったタイヤ列摩擦係数のマッピング
- Abstract要約: 本稿では、記録駆動データから摩擦係数をマッピングするためのオフライン後処理方式FrictionMapを提案する。
摩擦限界が観測可能なデータポイントをタイヤスリップに基づくフィルタリングポイントにより同定する。
FrictionMapはシミュレーション研究によって検証され、一般的に使われているオンライン摩擦推定技術より優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.8596069615205494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Information of the tire-road friction coefficient is critical for intelligent vehicle systems, as friction establishes the limits at which the vehicle can be manoeuvred without loss of control. While there is extensive literature on online friction estimation, no previous studies have explored post-processing and mapping friction coefficients along a driven trajectory based on recorded sensor data. Mapped friction information could be shared by connected vehicles, enabling proactive measures in low-friction areas. This paper presents an offline post-processing method, FrictionMap, for mapping friction coefficients from recorded driving data. The method operates on commonly available on-board vehicle sensor information, and requires only a basic vehicle parameter set and a slip threshold as prior knowledge. FrictionMap runs an extended Kalman filter combined with a Rauch-Tung-Striebel smoother to estimate vehicle dynamics. Data points where the friction limit is observable are identified by filtering points based on tire slip. A Gaussian process is fitted to these points to acquire a continuous estimate of the friction coefficient along the trajectory. FrictionMap is validated via a simulation study, and shown to outperform commonly used online friction estimation techniques. The code implementation and the simulation benchmark are released as open-source after paper acceptance to enable further research.
- Abstract（参考訳）: タイヤ・ロード摩擦係数の情報は、摩擦が制御を失うことなく車両を操作できる限界を確立するため、インテリジェントな車両システムにとって不可欠である。
オンライン摩擦推定には広範な文献があるが、過去の研究では、記録されたセンサデータに基づいて、駆動軌道に沿った後処理およびマッピング摩擦係数について検討することはなかった。
マッピングされた摩擦情報はコネクテッドカーで共有することができ、低摩擦領域での積極的な対策を可能にした。
本稿では、記録駆動データから摩擦係数をマッピングするためのオフライン後処理方式FrictionMapを提案する。
本手法は,車載センサ情報に基づいて,基本的な車両パラメータセットとスリップしきい値のみを事前の知識として要求する。
FrictionMapは拡張KalmanフィルタとRuch-Tung-Striebelスムースに組み合わせて車両力学を推定する。
摩擦限界が観測可能なデータポイントをタイヤスリップに基づくフィルタリングポイントにより同定する。
これらの点にガウス過程が取り付けられ、軌道に沿った摩擦係数の連続的な推定値が得られる。
FrictionMapはシミュレーション研究によって検証され、一般的に使われているオンライン摩擦推定技術より優れていることが示された。
コード実装とシミュレーションベンチマークは、さらなる研究を可能にするために、論文の受理後にオープンソースとしてリリースされている。
関連論文リスト
- Binary Road Surface Classification Using Machine Learning on Production Vehicle Signals During Cruising [0.0]
走行中の車両信号と路面状態の相関関係を機械学習を用いて明らかにする必要がある。
特徴に基づくフレームワークとエンドツーエンドのデータ駆動フレームワークを用いて、車両の動力学的挙動の統計と路面の状態とを相関させる。
車輪速度、車輪トルク、長手加速度、操舵角度、ヨーレートの短い緩衝窓をバッチするスライディングウインドウアプローチを採用する。
論文 参考訳（メタデータ） (2026-06-01T18:25:53Z) - 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) - High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles [9.252000699538346]
本稿では,自動走行車両が空調動作中にピーク摩擦領域を活発に励起することのできる高スリップ比制御フレームワークを提案する。
雑音および局所空間下でのピークRFCを頑健に推定するために,ビンニングに基づく統計的予測手法を提案する。
このフレームワークは、クローズドループシミュレーションと実車実験の両方を通じて検証され、その正確性、安全性、そしてスケーラブルで費用対効果の高い道路摩擦スクリーニングの実現可能性を示す。
論文 参考訳（メタデータ） (2026-03-10T01:34:00Z) - DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - Friction Interventions to Curb the Spread of Misinformation on Social
Media [60.327955710977555]
品質認知学習における摩擦の効果について検討した。
しかし、少量の摩擦と学習が組み合わさって、ポストの平均品質が著しく向上する。
提案された介入は、エンゲージメントに最小限の影響を与え、簡単に大規模に展開できる。
論文 参考訳（メタデータ） (2023-07-21T11:05:02Z) - Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data [40.43737902900321]
性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
論文 参考訳（メタデータ） (2023-03-26T13:15:44Z) - Estimating friction coefficient using generative modelling [0.7503129292751939]
本研究は,視覚的知覚学習課題として,摩擦推定の問題を定式化することを目的とする。
意味的セグメンテーションを適用し、抽出した特徴を用いて摩擦力を予測して表面特性を検出する。
論文 参考訳（メタデータ） (2023-03-10T13:58:28Z) - Learning to cooperatively estimate road surface friction [0.0]
道路断面の舗装面の摩擦を推定するシステムを提案する。
我々は、最近この区間を通過した車両のデータに基づいて、コンセンサス(コンセンサス)の見積もりに到達した。
コストを抑えるために、私たちは標準の自動車センサーにのみ依存しています。
論文 参考訳（メタデータ） (2023-02-07T16:14:39Z) - Tire-road friction estimation and uncertainty assessment to improve
electric aircraft braking system [0.0]
道路摩擦係数のオンライン推定は、先進的なブレーキ制御システムにとって欠かせない特徴である。
本研究では, ニューラルネットに基づくデータ駆動方式を提案し, 最適摩擦係数を窓面のすべり摩擦測定関数として推定する。
未知表面における航空機の着陸相の開ループおよび閉ループシミュレーションを用いて, 提案した頑健な摩擦推定手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2022-11-14T10:36:14Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。