自動運転/制御2026/8/28arXiv:2608.28723v1

車両ドリフトの創発：境界探索学習モデル予測制御によるグリップ走行から限界域への連続的遷移

Vehicle Drift Emergence: Continuous Evolution from Grip Driving to the Handling Limit via Boundary Exploration Learning Model Predictive Control

シェア:X Threads Facebook LINE はてブ Bluesky

繰り返しラップタイム最小化タスクにおいて、明示的なドリフト参照なしに、学習モデル予測制御が安全集合と終端コストを更新しながら車両の横滑り角やヨーレートを徐々に拡大し、ドリフト走行が自律的に創発することを示した論文。

詳しい要約

1. どんなもの？

本論文は、自動運転車両のドリフト制御において、グリップ走行からハンドリング限界を超えたドリフトへの連続的な遷移（drift emergence）を扱う。反復的なラップタイム最小化タスクにおいて、コントローラの目的関数や報酬に明示的なドリフト参照を含めずに、ドリフトが自律的に出現することを示す。提案手法はBoundary Exploration Learning Model Predictive Control (BE-LMPC)であり、完了したラップから経験的安全集合と局所シフト終端コストを構築し、空間速度配分を反復改善することで、後軸が飽和に近づくにつれて横滑り角やヨーレートの包絡線を拡大し、ドリフトを出現させる。

2. 先行研究と比べてどこがすごい？

従来の自動ドリフト制御は、所定のドリフト平衡点、横滑り角参照、または軌道を追従する方式が主流であり、ドリフトの実行方法は示すが、グリップ走行からドリフトへの連続的な遷移は未解決だった。本論文は、ドリフト参照を明示せずに、ラップタイム最小化というタスクの中でドリフトが条件付きで出現することを示し、ドリフトを別個の運動モードとしてではなく、限界ハンドリングの連続的な延長として特徴づける点が新しい。

3. 技術・手法の肝は？

手法の核はBE-LMPCである。完了したラップから経験的安全集合（empirical safe set）と局所シフト終端コスト（locally shifted terminal cost）を構築し、固定されたグローバル速度上限の下で空間速度配分を反復的に改善する。これにより、コントローラは回復可能性を保ちながら、より大きな横滑り角とヨーレートの包絡線を探索する。また、combined-slip Fialaモデルがタイヤ遷移点で連続性条件を満たすことを解析的に示し、外部条件が滑らかに変化する場合、タイヤの粘着から滑りへの遷移がタイヤ力や車両状態に急激な変化を引き起こさないことを保証する。

4. どうやって有効だと検証した？

シミュレーションにより検証。タイヤ路面摩擦係数0.6の条件下で、ラップタイムがLap 3の49.95秒からLap 12の25.50秒に短縮され、ドリフトはLap 11で初めて出現した。Lap 12では横滑り角16.5度、後軸利用率0.894に達した。一方、摩擦係数0.8から1.2ではドリフトは検出されず、1.2では同様のピーク速度を達成しつつ後軸利用率は0.483にとどまった。これにより、ドリフトは性能要求がタイヤ容量に近づくにつれて出現する条件付きの連続現象であることを示した。

5. 議論はある？

議論として、ドリフトの出現が摩擦係数に依存し、低摩擦でのみ発生することが示された。これは、ドリフトがタイヤ容量に対する性能要求の比によって決まることを示唆する。また、タイヤモデルの連続性条件が重要であり、combined-slip Fialaモデルがその条件を満たすことが確認された。しかし、実車での検証や、より複雑なタイヤモデルでの連続性、路面変化の動的な影響などは要旨からは不明である。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、自動ドリフト制御の既存手法（drift equilibrium tracking, sideslip reference tracking, trajectory tracking）や、Learning Model Predictive Control (LMPC)の基礎研究が挙げられる。また、タイヤモデルとしてFialaモデルが用いられており、より高度なタイヤモデル（Pacejka magic formulaなど）を扱う研究も関連する。具体的な論文タイトルは要旨に明記されていないため、同分野の定番として、LMPCの原論文や、ドリフト制御のサーベイ論文を次に読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sheng Zhao, Binh-Minh Nguyen, Hangyu Lu, Xiaodong Wu

分類: cs.RO

原文アブストラクト

Automated drift controllers commonly track a prescribed drift equilibrium, sideslip reference, or trajectory. These formulations establish how to execute drift, whereas the continuous transition from grip driving to drift near the handling limit remains unresolved. This paper defines drift emergence in a repetitive lap time minimization task, where neither the controller objective nor the reward contains an explicit drift reference. A boundary exploration learning model predictive controller (BE-LMPC) constructs an empirical safe set and a locally shifted terminal cost from completed laps. By iteratively improving spatial speed allocation under a fixed global speed bound, the controller progressively explores larger sideslip and yaw rate envelopes while preserving recoverability. As lap performance improves, sustained sideslip and pronounced yaw motion emerge while the rear axle approaches saturation. Analysis shows that, when external conditions vary smoothly, the transition from tire adhesion to sliding does not itself cause abrupt changes in tire force or vehicle state. The combined-slip Fiala model satisfies this continuity condition at the transition. At a tire road friction coefficient of 0.6, lap time decreases from 49.95 s on Lap~3 to 25.50 s on Lap~12, with drift first emerging on Lap~11. Lap~12 reaches 16.5$^\circ$ sideslip and 0.894 rear axle utilization. In contrast, no drift is detected for friction coefficients from 0.8 to 1.2; at 1.2, a similar peak speed is achieved with only 0.483 rear axle utilization. These results characterize drift as a conditional continuation of limit handling that emerges when increasing performance demand approaches the available tire capacity, rather than as a separately prescribed motion mode.

arXivで原文を読む →arXiv概要ページ

← 論文一覧