個別輪駆動によるドリフト学習：限界領域での自動運転車両の操縦

- 本研究は、車両が高 sideslip angle で制御された運動を行う drifting を対象とした強化学習フレームワークである。 - GPU 加速された並列 simulation と体系的な domain randomization を組み合わせ、simulation-to-reality gap の橋渡しを狙う。 - 独立した車輪速度制御を備えた自作・オープンソースの 1/10 scale Individual Wheel Drive (IWD) RC car platform で実車検証を行う。 - 定常円 drifting、方向転換、可変曲率経路追従などのシナリオを扱う。

- 先行する reinforcement learning による drifting control は、simulation で良好な policy が実機移行時に失敗しやすい simulation-to-reality gap が課題であった。 - 本研究は GPU 加速並列 simulation と体系的な domain randomization により、この gap の効果的な橋渡しを主張する。 - さらに IWD を備えた自作・オープンソースの 1/10 scale RC car platform 上で実世界検証まで行っている点が特徴である。 - 具体的な先行研究名や定量的比較は要旨からは不明。

- reinforcement learning を用いた drifting control の学習フレームワークを構築する。 - GPU 加速された並列 simulation により効率的に学習を行う。 - 体系的な domain randomization を導入し、実機との差を吸収する policy を獲得する。 - 実機は独立輪速度制御が可能な 1/10 scale Individual Wheel Drive (IWD) RC car platform を用いる。 - アルゴリズム名や randomization の具体的対象・範囲は要旨からは不明。

- simulation と実世界の両方で検証している。 - 実機は自作・オープンソースの 1/10 scale IWD RC car platform を使用する。 - 定常円 drifting、方向転換、可変曲率経路追従などの複数シナリオで評価する。 - 複雑な maneuver を通じて制御された sideslip angle を維持しつつ、精密な trajectory tracking を達成したと報告する。 - 定量的指標や比較手法の詳細は要旨からは不明。

- 本研究は simulation-to-reality gap を GPU 加速並列 simulation と domain randomization で橋渡しできると主張する。 - 実機で定常円 drifting から方向転換、可変曲率経路追従まで、sideslip angle を保ちながら trajectory tracking が可能と示す。 - 限界挙動での安全性向上への意義に言及する。 - 失敗事例、限界、汎化性、実車スケールへの拡張性に関する議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として reinforcement learning による drifting control の先行研究、simulation-to-reality transfer、domain randomization に関する研究を挙げる。 - 車両制御の文脈では model predictive control (MPC) や learning-based vehicle control の文献が次の候補となる。 - 実機 platform に関連し Individual Wheel Drive (IWD) 車両制御の研究も参照候補である。