高速自律レーシングでは、コントローラがハンドリング限界付近で動作するため、非線形車両ダイナミクスの正確なモデリングが不可欠です。従来のモデルベース手法は解釈可能ですが簡略化された仮定に依存し、純粋な学習モデルは非線形性を捉えるものの物理的一貫性や一般化に欠けることがよくあります。そこで、アリゾナ州立大学などの研究機関の研究者らは、物理的先行知識と学習コンポーネントを統合したハイブリッドモデルLE-PAVD（Learning-Enhanced Physics-Aware Vehicle Dynamics）を提案しました。
LE-PAVDアーキテクチャは、基本ダイナミクスモデルに4つの追加コンポーネントを組み込んでいます：負荷感応型Pacejkaタイヤ力モデル、前後荷重移動効果、横方向タイヤ力効果、およびレート制限付きアクチュエータ入力です。これらのコンポーネントは、タイヤの非線形性、制動/加速時の荷重変化、旋回時の横力、および実際のアクチュエータ応答遅延をそれぞれ捕捉します。モデルはシミュレーションと実世界のテレメトリデータ（実際のレーシングカーのGPSやIMUデータを含む）を用いてエンドツーエンドでトレーニングされ、状態予測精度を向上させながら物理的一貫性を維持します。
未見のテストトラック（高速コーナーと連続方向転換を含む）では、LE-PAVDは深層ダイナミクスのベースライン（LSTMベースのモデル）と比較して、平均変位誤差（ADE）を16.1%、最終変位誤差（FDE）を20.6%、ヨーレートの二乗平均平方根誤差（RMSE）を91.3%削減しました。さらに、これらの改善を達成しながら、FLOPsを21.6%（2.3Mから1.8Mに）削減し、推論速度を約1.5倍（30Hzから45Hzに）高速化しました。閉ループシミュレーション（モデル予測制御＋LE-PAVD）では、LE-PAVDはトレーニングトラックで17.4%、テストトラックで9.5%のラップタイム改善を達成し、トラック境界違反は発生しませんでしたが、ベースラインモデルはテストトラックで何度もコースアウトしました。
全体として、LE-PAVDはコンパクトで物理に基づいたダイナミクスバックボーンを提供し、予測精度と閉ループ性能を向上させるとともに、推論コストを削減します。この成果はarXiv（論文ID：2605.08489）に提出され、高速自律ナビゲーションにおける車両ダイナミクスモデリングの新たな基準を確立するものと期待されます。論文の著者はMusabbir Ahmed Arrafiら4名で、提出日は2026年5月8日です。