論文の概要: Model-based Decision Making with Imagination for Autonomous Parking
- arxiv url: http://arxiv.org/abs/2108.11420v1
- Date: Wed, 25 Aug 2021 18:24:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 13:54:56.827688
- Title: Model-based Decision Making with Imagination for Autonomous Parking
- Title（参考訳）: 自律駐車のためのモデルベース意思決定
- Authors: Ziyue Feng, Yu Chen, Shitao Chen, Nanning Zheng
- Abstract要約: 提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
- 参考スコア（独自算出の注目度）: 50.41076449007115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous parking technology is a key concept within autonomous driving
research. This paper will propose an imaginative autonomous parking algorithm
to solve issues concerned with parking. The proposed algorithm consists of
three parts: an imaginative model for anticipating results before parking, an
improved rapid-exploring random tree (RRT) for planning a feasible trajectory
from a given start point to a parking lot, and a path smoothing module for
optimizing the efficiency of parking tasks. Our algorithm is based on a real
kinematic vehicle model; which makes it more suitable for algorithm application
on real autonomous cars. Furthermore, due to the introduction of the
imagination mechanism, the processing speed of our algorithm is ten times
faster than that of traditional methods, permitting the realization of
real-time planning simultaneously. In order to evaluate the algorithm's
effectiveness, we have compared our algorithm with traditional RRT, within
three different parking scenarios. Ultimately, results show that our algorithm
is more stable than traditional RRT and performs better in terms of efficiency
and quality.
- Abstract（参考訳）: 自動駐車技術は自動運転研究における重要な概念である。
本稿では,駐車に関する課題を解決するための想像的自律駐車アルゴリズムを提案する。
提案アルゴリズムは,駐車前に結果を予測する想像モデルと,所定のスタート地点から駐車場までの軌道を計画するための改良された高速探索ランダムツリー(RRT)と,駐車作業の効率を最適化する経路平滑化モジュールの3つの部分から構成される。
我々のアルゴリズムは実際の運動車モデルに基づいており、実際の自動運転車のアルゴリズム適用に適している。
さらに,イマジネーション機構の導入により,アルゴリズムの処理速度が従来の手法の処理速度の10倍に向上し,同時にリアルタイム計画の実現が可能となった。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
その結果,我々のアルゴリズムは従来のRTよりも安定であり,効率や品質の面では優れていた。
関連論文リスト
- ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning [7.034120265476802]
伝統的な駐車アルゴリズムは通常ルールベースのスキームを使って実装される。
ニューラルネットワークベースの手法はルールベースの手法よりも直感的で汎用性が高い傾向にある。
本稿では,人間の運転軌跡を模倣して,RGB画像から経路計画までのエンド・ツー・エンド・プランニングを行うために模倣学習を用いる。
提案手法は4つの現実世界のガレージで平均87.8%のパーキング成功率を達成した。
論文 参考訳（メタデータ） (2024-08-04T15:20:39Z) - Automated Parking Planning with Vision-Based BEV Approach [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車アルゴリズムの改良,車両運動モデルの統合,機能最適化,双方向探索,ベジエ曲線最適化を提案する。
従来のアルゴリズムと比較して、より困難な衝突リスクテストケースで計算時間を短縮し、快適なメトリクスのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-05-24T15:26:09Z) - Automatic parking planning control method based on improved A* algorithm [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車計画アルゴリズムの改良を提案し,自動駐車の制御モジュールとしてモデル予測制御(MPC)を用いる。
このアルゴリズムは、関数の最適化、バイナリヒープの最適化、双方向検索により、リアルタイムの計画性能を向上させる。
MPCは、計画された軌道に沿って車を運転する制御コマンドを出力するために使用される。
論文 参考訳（メタデータ） (2024-05-24T15:26:07Z) - Multi-agent Path Finding for Cooperative Autonomous Driving [8.8305853192334]
我々は,既存のアルゴリズムを著しく上回る最適かつ完全なアルゴリズムであるオーダーベース検索をKinematics Arrival Time Scheduling (OBS-KATS) により考案した。
当社の作業は、同じようなスケールのトラフィックや、有向車線を備えたマルチロボットシナリオに直接適用可能です。
論文 参考訳（メタデータ） (2024-02-01T04:39:15Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。
CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
論文 参考訳（メタデータ） (2021-09-30T17:15:17Z) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳（メタデータ） (2021-03-08T05:34:05Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Efficient Sampling-Based Maximum Entropy Inverse Reinforcement Learning
with Application to Autonomous Driving [35.44498286245894]
本稿では,効率的なサンプリングに基づく最大エントロピー逆強化学習(IRL)アルゴリズムを提案する。
提案アルゴリズムは,非対話的シナリオと対話的シナリオの両方を含む実運転データに基づいて評価する。
論文 参考訳（メタデータ） (2020-06-22T01:41:13Z)
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。