論文の概要: Online Constraint Optimization-Based Indirect-Adaptive Robust Control for Autonomous Vehicles with Unknown Friction

• arxiv url: http://arxiv.org/abs/2610.22675v1
• Date: Thu, 15 Oct 2026 21:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.680601
• Title: Online Constraint Optimization-Based Indirect-Adaptive Robust Control for Autonomous Vehicles with Unknown Friction
• Title（参考訳）: オンライン制約最適化に基づく未知摩擦を有する自律車両の間接適応ロバスト制御
• Abstract要約: 本稿では,大きな摩擦不確実性下での車両の移動制御を実現するための新しい2層制御フレームワークを提案する。 上層層は制約された最適制御問題を解き、時間-最適に全ての制約を満たす実行可能な軌道を生成する。 下位層であるIARCは、摩擦の不確実性に関連する未知のパラメータに適応し、モデル補償と頑健なフィードバックを組み合わせることにより、過渡的かつ定常的な追跡性能を確保する。
• 参考スコア（独自算出の注目度）: 13.144022512234967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Friction uncertainty is a significant challenge for autonomous vehicle control, undermining feasibility and performance. This paper proposes a novel two-layer control framework to achieve vehicle motion control under large friction uncertainty by combining optimization-based planning with indirect adaptive robust control (IARC). The upper layer solves a constrained optimal control problem to generate a feasible trajectory that satisfies all the constraints in a time-optimal manner along the desired path. The lower layer, IARC, adapts the unknown parameters related to friction uncertainty and combines model compensation with robust feedback to ensure transient and steady-state tracking performance. An estimation monitor is designed to prevent poor learning when data indicate a model mismatch, while a smooth parameter reset reduces the estimated tire capacity and limits abrupt tightening of constraints. The updated parameters are fed back into the model and constraints in the planner, enabling trajectory replanning as friction conditions change. Simulation results indicate that the proposed method achieves accurate tracking of the desired trajectory and online friction adaptation under large friction uncertainty while ensuring time-optimal vehicle motion. The simulation results demos are available at https://github.com/TedZhou0603/CO-IARC.
• Abstract（参考訳）: 摩擦の不確実性は、自動運転車の制御にとって重要な課題であり、実現可能性と性能を損なう。 本稿では, 間接適応ロバスト制御(IARC)と最適化ベース計画を組み合わせることで, 大きな摩擦不確実性下での車両動作制御を実現するための新しい2層制御フレームワークを提案する。 上層層は制約された最適制御問題を解き、所望の経路に沿って時間最適に全ての制約を満たす実行可能な軌道を生成する。 下位層であるIARCは、摩擦の不確実性に関連する未知のパラメータに適応し、モデル補償と頑健なフィードバックを組み合わせることにより、過渡的かつ定常的な追跡性能を確保する。 推定モニタは、データがモデルミスマッチを示す場合の学習不良を防ぐために設計され、スムーズなパラメータリセットにより推定タイヤ容量が減少し、制約の突然の締め付けが制限される。 更新されたパラメータはプランナーのモデルと制約にフィードバックされ、摩擦条件が変化するにつれて軌道変更が可能である。 シミュレーションの結果、提案手法は、時間最適車両運動を確保しつつ、大きな摩擦不確実性の下で、所望の軌道とオンライン摩擦適応の正確な追跡を実現することを示唆している。 シミュレーション結果のデモはhttps://github.com/TedZhou0603/CO-IARCで公開されている。

関連論文リスト

• Nonlinear Model Predictive Control for Trajectory Tracking of Differentially Flat Fixed-Wing Aerial Systems [6.655837620295535]
  固定翼無人航空機(UAV)の計画と制御は、非線形力学、空力限界、環境障害のために困難である。 本稿では,微分平坦性に基づく軌道生成と予測的制約認識制御を統合した統合フレームワークを提案する。 提案手法を広範囲なシミュレーションと実世界の飛行実験により検証し,複雑な軌道の追跡精度とロバスト性の向上を実証した。
  論文  参考訳（メタデータ） (2026-08-21T01:25:35Z)
• Nonlinear Model Predictive Control via Sequential Convex Programming for Drone-to-Drone Docking [0.0]
  本研究は, ドッキングタスクを外乱状態が拡張された低次非線形モデルに基づいて, 有限水平最適制御問題として定式化する。 その結果, 動的に実現可能なドッキング軌道を生成するために, 後退水平フレームワーク内での逐次凸プログラミングを用いて問題を解く。
  論文  参考訳（メタデータ） (2026-08-11T06:27:45Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Time-delay Control Using a New Nonlinear Adaptive Law for Cable-Driven Robots [2.8953069101099516]
  本稿では,ケーブル駆動ロボットのための時間遅延推定(TDE)に基づく適応分数次非特異終端スライディングモード制御手法を提案する。 堅牢なコントローラは、TDEベースのモデルフリーフレームワーク内に構築されている。 主な貢献は、適応指数項を更新ゲインに導入し、非線形適応機構を形成する新しい適応法則である。
  論文  参考訳（メタデータ） (2026-07-29T01:35:59Z)
• Parsimonious disturbance-aware minimum-time planning with parametric uncertainty [0.0]
  本研究は、モータースポーツ応用のための最小ラップタイム計画フレームワークを提示し、検証する。 この手法は、車両のダイナミクスを短い地平線上で伝播させる、事前の障害対応フレームワークの上に構築されている。 我々は、キーカーパラメータの不確実性を考慮した定式化を拡張した。
  論文  参考訳（メタデータ） (2026-07-14T22:32:35Z)
• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
  本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。 提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。 本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
  論文  参考訳（メタデータ） (2023-02-22T23:15:56Z)

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。