| No. | 配信 | タイトル・著者（所属） |
|---|---|---|
| 1 | ◯ |
量子インスパイアドマシンを活用した高速道路合流軌道計画の効果検証 大矢 晃示・松浦 甲汰・山本 賢伸（ミライズテクノロジーズ） 自技会25秋季大会で，高速道路の合流シーンにおける量子インスパイアドマシンを用いた組合せ最適化の軌道計画手法を発表した．実道路形状および実車両配置を前提とした軌道計画シミュレーションを実行し，その結果を実社会データを比較することで，本提案手法の効果を検証する． |
| 2 | ◯ |
マルチインタラクティブシミュレータを用いたデータ駆動型アルゴリズムの開発フレームワーク 河邉 昭平・伊藤 章（愛知工業大学）・金城 健・浅田 祐樹（デンソー）・辻 文武・吉岡 洸一・伴 和徳（トヨタテクニカルディベロップメント） データ駆動型アルゴリズムはルールベースのアルゴリズムでは対応が困難なシーンでも柔軟な判断が可能だが，要求される機能の獲得には膨大な訓練データが必要という課題がある．本研究は，機能要件に基づきシミュレータで生成した少量の訓練データから要求される機能を獲得する開発フレームワークを提案する． |
| 3 | ◯ |
ハプティックステアバイワイヤによる路面適応制御 山中 裕介・桑原 央明（芝浦工業大学） 本研究では，バイラテラル制御を用いたステア・バイ・ワイヤにより，路面反力を運転者へ緻密にフィードバックするシステムを開発する．さらに，取得した路面情報に基づき，不安定な走行状態を抑制する．これにより，操舵感の提示と車両の安定走行の両立を目指し，その有効性をシミュレーションおよび実験にて検証した． |
| 4 | ◯ |
ブロードキャスト制御に基づく自律分散型4輪独立駆動・操舵制御系の設計 伊藤 章（愛知工業大学）・東 俊一（京都大学） 4輪独立駆動・操舵が可能なコーナモジュールを搭載した車両の駆動力・操舵量配分問題に対し，従来のルールベース手法に代わる新たなアプローチとして，マルチエージェント制御理論に基づくブロードキャスト制御を用いた自律分散型配分則を提案する． |
| 5 | ◯ |
Optimization and Development of a 48V Cooling Fan System with Direct Control Strategy Based on TMD Controller CHANWOONG JO (Hyundai Motor) This paper proposes a method to optimize and directly control 48V cooling fan motors in vehicle thermal energy systems, replacing traditional 12V systems. The 48V system reduces power loss and is suitable for high-power loads. Through design optimization, it achieved a 4% efficiency improvement, 300g weight reduction, and 10mm thickness reduction. The Field-Oriented Control (FOC) method was applied for flexible adaptation to various motor specifications. Twenty control parameters were identified, and their effectiveness was validated through testing. This research is planned to be applied to future Software Defined Vehicle (SDV) development. |
| 6 | ◯ |
Driving Risk prediction over a repetitive driving pattern Michele Guagnano (Politecnico di Torino)･Yecan Wang･Shigenobu Mitsuzawa (Honda Motor R&D Co., Ltd)･Massimo Violante (Politecnico di Torino)･Riccardo Groppo (Sleep Advice Technologies) Road traffic accidents remain a major global issue, yet professional drivers face a distinct and often underestimated risk: long-term exposure to repetitive routes. To address this, we conducted a longitudinal study with 54 participants over a 12-day protocol, performing 4 consecutive laps during each day on a simulator on a repetitive track to replicate routine shifts. The resulting dataset fuses driving, eye-tracking metrics, and physiological features. An ML model was trained to predict the risk level of a lap with data from the previous one. The model was validated with a K-Fold approach, by achieving a mean accuracy of 91%. |