論文の概要: Robust Offset-Free Lane-Keeping Control Framework for Vision-Only Automated Vehicles
- arxiv url: http://arxiv.org/abs/2610.32666v1
- Date: Fri, 23 Oct 2026 14:08:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.541703
- Title: Robust Offset-Free Lane-Keeping Control Framework for Vision-Only Automated Vehicles
- Title（参考訳）: ビジョンオンリー自動車用ロバストオフセットフリーレーンキーピング制御フレームワーク
- Abstract要約: 本研究では、視覚に基づく自律走行車線維持のための頑健なオフセットフリーモデル予測制御フレームワークを開発した。
未確認環境における視覚認識システムの知覚的不確かさを特徴付ける手法は,先進的な自律運転システムの発展に寄与する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achieving accurate, real-time lane-keeping control during high-speed cornering on large-curvature roads while ensuring robust vehicle stability is a critical challenge in autonomous driving. To address this challenge, this study developed a robust offset-free model predictive control (OF-MPC) framework for vision-based autonomous vehicle lane-keeping. The regulation problem in this framework is solved using several algorithms. Numerical simulation results indicated that the interpolation-tube-based constrained iterative linear quadratic regulator (itube-CILQR) algorithm outperformed solvers based on the standard Interior Point Optimizer (IPOPT) and Operator Splitting Quadratic Program (OSQP), achieving a mean computation time of less than 5 ms. The itube-CILQR algorithm was then used for vehicle control in vision-based lane-keeping experiments in a simulation environment to quantify the perceptual uncertainty of a visual perception model (multitask UNet). This quantification was performed using the OF-MPC framework for traffic scenes that were not encountered during model training. Overall, the developed OF-MPC framework and the proposed method for characterizing the perceptual uncertainty of a visual perception system in unseen environments can contribute to the future development of advanced autonomous driving systems.
- Abstract（参考訳）: 高速道路の高速コーナー走行中に正確なリアルタイム車線維持制御を実現すると同時に、堅牢な車両安定性を確保することは、自動運転において重要な課題である。
この課題に対処するために、視覚に基づく自律走行車線維持のための頑健なオフセットフリーモデル予測制御(OF-MPC)フレームワークを開発した。
このフレームワークの規制問題は、いくつかのアルゴリズムを用いて解決される。
シミュレーションの結果, インテリアポイント最適化 (IPOPT) と演算子分割方式 (OSQP) に基づいて, インテリアポイント最適化 (OSQP) に基づくインテリアポイント最適化 (itube-CILQR) アルゴリズムは, 5ms未満の平均計算時間を達成し, シミュレーション環境での視覚に基づく車線保持実験における車両制御において, 視覚知覚モデル (multitask UNet) の知覚的不確かさを定量的に評価するために, 補間管型制約付き線形2次法 (itube-CILQR) アルゴリズムが優れていることがわかった。
この定量化は、モデルトレーニング中に遭遇しなかった交通シーンに対してOF-MPCフレームワークを用いて行われた。
総合的に,未確認環境における視覚認識システムの知覚的不確かさを特徴付けるためのOF-MPCフレームワークと提案手法は,先進的な自律運転システムの発展に寄与する。
関連論文リスト
- 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) - Learning Predictive Control with Deep Koopman Operators for Autonomous Vehicle Motion Planning [11.149068950974113]
モデル予測制御(MPC)は自律走行車(AV)運動計画に広く用いられているが、リアルタイム適用性は限られている。
Actor-criticは動的道路環境における非線形学習問題に対するオンラインソリューションを提供する。
本稿では、効率的なリアルタイム動作制御のためのディープ・クープマン演算子を用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-06T12:26:21Z) - Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。
我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。
以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
論文 参考訳（メタデータ） (2026-05-18T08:45:24Z) - Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。
提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。
提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
論文 参考訳（メタデータ） (2025-07-16T18:49:44Z) - Robust Tube-based Control Strategy for Vision-guided Autonomous Vehicles [0.0]
このアルゴリズムの目的は、タイトなターンでの高速コーナーングにおけるロバスト性を高めることである。
提案アルゴリズムはCILQR法やモデル予測制御(MPC)手法よりも車線維持に適している。
論文 参考訳（メタデータ） (2025-03-24T15:01:00Z) - Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control [11.428076811557437]
接続された自動車両(CAV)と人力車両(HDV)の交通振動の緩和は、交通の安定性を高めるために重要である。
本研究では,この問題に対処するための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。
このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。
論文 参考訳（メタデータ） (2025-01-27T14:28:20Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Lane-Keeping Control of Autonomous Vehicles Through a Soft-Constrained Iterative LQR [0.0]
我々は,CILQRアルゴリズムとモデル予測制御(MPC)制約緩和法を統合することで,ソフト制約付き反復線形二次制御器(ソフトCILQR)アルゴリズムを開発した。
提案したソフトCILQRアルゴリズムは平均実行時間2.55msを実現し、リアルタイム自動運転シナリオに適用可能である。
論文 参考訳（メタデータ） (2023-11-28T15:58:13Z) - 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。