論文の概要: A Differentiable Chassis Safety Layer for Intelligent Vehicle Motion Control
- arxiv url: http://arxiv.org/abs/2610.33476v1
- Date: Sat, 24 Oct 2026 06:02:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.337868
- Title: A Differentiable Chassis Safety Layer for Intelligent Vehicle Motion Control
- Title（参考訳）: インテリジェント車両運動制御のための異種シャシー安全層
- Abstract要約: 本稿では,タスク指向制御を明示的な物理的制約とモジュール的に統合する,異種シャシー安全層を提案する。
2段階の学習戦略は、専門家の模倣とリスクガイダンスと条件付き介入指導を組み合わせたものである。
- 参考スコア（独自算出の注目度）: 11.153078313210093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based vehicle motion control requires coordination between diverse task objectives and state-dependent chassis safety constraints. Conventional cascaded architectures may compromise task performance when safety filters modify nominal commands independently of policy learning. This article proposes a differentiable chassis safety layer that modularly integrates task-oriented control with explicit physical constraints. Actuator limits, individual-tire force constraints, and vehicle handling envelopes are incorporated into sequential quadratic programs. Each projected command propagates the predicted vehicle dynamics and updates subsequent constraints, enabling temporal gradient coupling through implicit differentiation. A two-stage learning strategy combines expert imitation with risk-guided supervision and conditional intervention guidance to coordinate nominal control decisions with chassis safety constraints. Closed-loop evaluations under unseen scenarios, emergency maneuvers, and ablation studies demonstrate that the proposed method improves safety-performance coordination and exploits vehicle dynamic potential while maintaining handling stability.
- Abstract（参考訳）: 学習に基づく車両の運動制御には、多様なタスク目標と状態依存型シャシー安全制約の調整が必要である。
従来のカスケードアーキテクチャは、安全フィルタがポリシー学習とは無関係に名目上の命令を変更する場合、タスクパフォーマンスを損なう可能性がある。
本稿では,タスク指向制御を明示的な物理的制約とモジュール的に統合する,異種シャシー安全層を提案する。
アクチュエータ制限、個別タイヤ力制限、車両ハンドリングエンベロープはシーケンシャルな二次プログラムに組み込まれる。
各コマンドは予測された車両のダイナミクスを伝搬し、その後の制約を更新し、暗黙の微分を通じて時間勾配のカップリングを可能にする。
2段階の学習戦略は、専門家の模倣とリスク誘導型監視と条件付き介入指導を組み合わせて、名目制御決定とシャシー安全制約を協調する。
未確認シナリオ, 緊急操作, アブレーションによるクローズドループ評価は, 提案手法が安全性能の調整を改善し, 安定性を保ちながら車両の動的ポテンシャルを活用できることを実証する。
関連論文リスト
- Efficient Hybrid Hard--Soft Signal Temporal Logic MPC for Driving under Multimodal Uncertainty [1.3965477771846408]
対話型交通における自動車両の動作計画には、安全を確保し、交通ルールを尊重し、マルチモーダルな動作の不確実性の下で快適な進捗を維持する必要がある。
これらすべての要件をハード制約として実施することで実現可能性が低下する一方、コストとして扱うことで、安全クリティカルな要件が進捗に対してトレードされることが可能になる。
本稿では,1つの共有エゴ軌道を,保持されたすべての行動仮説に対して最適化する,ハイブリッドなハードソフト信号テンポラル論理(STL) MPC フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-11T21:36:21Z) - End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
論文 参考訳（メタデータ） (2026-07-21T02:13:25Z) - Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control [14.05083688629287]
本稿では,安全確認軌道制御から操作レベルの意思決定を分離する階層的オーバーテイクフレームワークを提案する。
強化学習ポリシは、離散時間CBF減衰パラメータをオンラインで適応し、車両入力を直接制御することなく、コンテキスト依存の安全マージンの変調を可能にする。
論文 参考訳（メタデータ） (2026-07-15T00:19:14Z) - Hamilton-Jacobi Reachability-Based Safe Reinforcement Learning for Emergency Collision Avoidance [13.82721066487409]
本稿では,ハミルトン・ヤコビ到達可能性に基づく運動安全セットによってガイドされる安全な強化学習フレームワークを提案する。
提案手法は,目標達成率の向上,回避操作の円滑化,基準法よりも大きな統一安全マージンの維持を実現している。
論文 参考訳（メタデータ） (2026-06-13T13:57:30Z) - PoSafeNet: Safe Learning with Poset-Structured Neural Nets [49.854863600271614]
既存のアプローチは、しばしば複数の安全制約を均一に、または固定された優先命令によって強制し、実現不可能と不安定な振る舞いを引き起こす。
我々は、この設定を擬似構造的安全性として定式化し、安全制約を部分的に順序づけられた集合としてモデル化し、安全構成を政策クラスの構造的特性として扱う。
この定式化に基づいて、逐次クローズドフォームプロジェクションを介して安全性を強制する、識別可能な神経安全層であるPoSafeNetを提案する。
論文 参考訳（メタデータ） (2026-01-29T22:03:32Z) - DualShield: Safe Model Predictive Diffusion via Reachability Analysis for Interactive Autonomous Driving [8.323621563740772]
本稿では、ハミルトン・ヤコビ(HJ)到達可能性値関数を二重容量で活用する計画制御フレームワークであるDualShieldを紹介する。
第一に、値関数はプロアクティブなガイダンスとして機能し、拡散復調過程を安全かつ動的に実現可能な領域に向けて操る。
次に、制御バリア値関数(CBVF)を使用してリアクティブな安全シールドを形成し、実行されたアクションを修正し、安全性を確保する。
論文 参考訳（メタデータ） (2026-01-22T07:56:36Z) - Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。
本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。
動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
論文 参考訳（メタデータ） (2024-11-29T11:57:00Z) - Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z)
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。