論文の概要: Training-Independent Validation of a Learning-Based Controller for Stunt Maneuvers

• arxiv url: http://arxiv.org/abs/2611.07516v1
• Date: Thu, 05 Nov 2026 06:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.567323
• Title: Training-Independent Validation of a Learning-Based Controller for Stunt Maneuvers
• Title（参考訳）: スティント・マヌーバーのための学習ベース制御器の訓練非依存検証
• Abstract要約: 検証はトレーニングとは無関係でなければならない、と私たちは主張する。 我々は、スタント駆動指標、すなわち方向転換、サイドリップ、速度正規化ヨーレートがシミュレーションと現実世界の一致していることを示した。
• 参考スコア（独自算出の注目度）: 15.393382946526785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned controllers for vehicle maneuvers are usually validated under the conditions and objective used to train them, where they appear highly reliable, yet the parameters that change on real roads are often not those the model was trained on. We argue that validation must be independent of training: it should vary physical parameters that training kept fixed and use acceptance criteria absent from the training objective. A learning-based control policy, G-Maneuver, with 90.11% success is tested for stunt-level maneuvers. A looser terminal-heading score ranked the worst setting as the best. Because real stunt tests are safety-critical, a simulation-to-reality-to-simulation (Sim2Real2Sim) loop uses the simulation to select safe zones for real-vehicle trials with 16.9% acceptance. Automotive safety analysis frameworks are used to identify parameters for validation using coverage tests. We demonstrated that the kinematic stunt-driving indicators, namely heading change, sideslip, and speed-normalized yaw rate, match between simulation and the real world, while force and roll indicators do not, which identifies the indicators that can support safe deployment. A video of the experiments is available at https://youtu.be/dN1Oes8pNIo.
• Abstract（参考訳）: 車両操縦の学習された制御装置は通常、訓練に使用される条件や目的の下で検証され、信頼性が高いように見えるが、実際の道路で変化するパラメータは、モデルが訓練したパラメータではないことが多い。 検証はトレーニングとは無関係でなければならない、と我々は主張する。トレーニングが固定され続ける物理的パラメータや、トレーニング目標から外れた受け入れ基準を使用する必要がある。 学習ベースの制御ポリシーであるG-Maneuverは90.11%の成功であり、スタントレベルの操作でテストされている。 よりゆるやかなターミナルヘッドスコアは、最悪の設定をベストと位置づけた。 実際のスタントテストは安全性に欠かせないため、シミュレーションから現実へのシミュレーション(Sim2Real2Sim)ループは、シミュレーションを使用して16.9%の受け入れを持つ実車試験のための安全なゾーンを選択する。 自動車安全分析フレームワークは、カバレッジテストを使用して検証のためのパラメータを特定するために使用される。 シミュレーションと実世界との一致である方向変化,サイドリップ,速度正規化ヨーレートなど,キネマティックなスタント駆動インジケータは,安全な配置を支援する指標を識別できるが,力とロールのインジケータは存在しないことを示した。 実験のビデオはhttps://youtu.be/dN1Oes8pNIoで公開されている。

関連論文リスト

• Trust-Calibrated VLA Policy Post-Training with Evolving Imagination [60.998903003181006]
  既存の改善パラダイムは信頼性と効率性の緊張を露呈する。 本稿では,モデル進化強化学習(MERL, Model-Evolving Reinforcement Learning)を提案する。 摂動型LIBERO-PROタスクでは、MERLは平均79.7%の成功を達成し、マッチしたモデルフリー制御よりも10.9%の高閾値学習速度を向上し、同じプロトコール外部ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-10-12T10:08:28Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• SECRM-2D: RL-Based Efficient and Comfortable Route-Following Autonomous Driving with Analytic Safety Guarantees [5.156059061769101]
  SECRM-2Dは、効率と快適性の最適化と固定経路に従うRL自律運転制御装置である。 シミュレーションテストシナリオにおいて,SECRM-2Dをいくつかの学習ベースラインおよび非学習ベースラインに対して評価する。
  論文  参考訳（メタデータ） (2024-07-23T21:54:39Z)
• Rigorous Simulation-based Testing for Autonomous Driving Systems -- Targeting the Achilles' Heel of Four Open Autopilots [6.229766691427486]
  本稿では,シナリオを単純なものに分割した厳密なテスト手法を提案する。 クリティカルな状況において、車両をテスト対象とするクリティカルな構成のテストケースを生成します。 テストケースでは、Apollo、Autoware、CarlaとLGSVLのオートパイロットに重大な欠陥が見られる。
  論文  参考訳（メタデータ） (2024-05-27T08:06:21Z)
• Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
  本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。 複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。 実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
  論文  参考訳（メタデータ） (2023-06-27T17:58:39Z)
• 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)
• Benchmarking Lane-changing Decision-making for Deep Reinforcement Learning [13.347722791726198]
  深層強化学習の観点から,車線変更作業のための訓練,試験,評価パイプラインを提案する。 我々は、設計したトレーニングシナリオにおいて、最先端の深層強化学習手法を訓練し、テストシナリオにおけるトレーニングされたモデルのベンチマーク評価結果を提供する。
  論文  参考訳（メタデータ） (2021-09-22T02:25:27Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning [0.3683202928838613]
  検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。 本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
  論文  参考訳（メタデータ） (2020-05-22T19:00:38Z)
• Search-based Test-Case Generation by Monitoring Responsibility Safety Rules [2.1270496914042996]
  本研究では,シミュレーションに基づく運転テストデータのスクリーニングと分類を行う手法を提案する。 本フレームワークは,S-TALIROおよびSim-ATAVツールとともに配布されている。
  論文  参考訳（メタデータ） (2020-04-25T10:10:11Z)

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。