論文の概要: VORRT-COLREGs: A Hybrid Velocity Obstacles and RRT Based
COLREGs-Compliant Path Planner for Autonomous Surface Vessels
- arxiv url: http://arxiv.org/abs/2109.00862v1
- Date: Thu, 2 Sep 2021 12:23:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 21:38:44.193943
- Title: VORRT-COLREGs: A Hybrid Velocity Obstacles and RRT Based
COLREGs-Compliant Path Planner for Autonomous Surface Vessels
- Title（参考訳）: VORRT-COLREGs:自律型表面容器用ハイブリッド速度障害物とRTRベースのCOLREGs整合パスプランナ
- Authors: Rahul Dubey and Sushil J Louis
- Abstract要約: 本稿では、速度障害物(VO)と高速探索ランダムツリー(RRT)を組み合わせたハイブリッド技術であるVORRT-COLREGsを提案する。
RRTは一連の経路点を生成し、速度障害物法は経路点間の安全な移動を保証する。
その結果, VORRT-COLREGS はオープンオーシャンシナリオにおける衝突規制 (COLREG) の苦情経路を作成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents VORRT-COLREGs, a hybrid technique that combines velocity
obstacles (VO) and rapidly-exploring random trees (RRT) to generate safe
trajectories for autonomous surface vessels (ASVs) while following nautical
rules of the road. RRT generates a set of way points and the velocity obstacles
method ensures safe travel between way points. We also ensure that the actions
of ASVs do not violate maritime collision guidelines. Earlier work has used RRT
and VO separately to generate paths for ASVs. However, RRT does not handle
highly dynamic situations well and and VO seems most suitable as a local path
planner. Combining both approaches, VORRT-COLREGs is a global path planner that
uses a joint forward simulation to ensure that generated paths remain valid and
collision free as the situation changes. Experiments were conducted in
different types of collision scenarios and with different numbers of ASVs.
Results show that VORRT-COLREGS generated collision regulations (COLREGs)
complaint paths in open ocean scenarios. Furthermore, VORRT-COLREGS
successfully generated compliant paths within traffic separation schemes. These
results show the applicability of our technique for generating paths for ASVs
in different collision scenarios. To the best of our knowledge, this is the
first work that combines velocity obstacles and RRT to produce safe and COLREGs
complaint path for ASVs.
- Abstract（参考訳）: 本稿では,速度障害物 (VO) と高速探索ランダムツリー (RRT) を組み合わせたハイブリッド手法であるVORRT-COLREGsを提案する。
RRTは一連の経路点を生成し、速度障害物法は経路点間の安全な移動を保証する。
ASVの行動が海上衝突ガイドラインに違反していないことも保証します。
以前の作業では、ASVのパスを生成するためにRRTとVOを別々に使用していた。
しかし、RRTは高度に動的に扱えないため、VOはローカルパスプランナとして最も適していると思われる。
両方のアプローチを組み合わせることで、VORRT-COLREGはグローバルパスプランナであり、状況が変化するにつれて生成されたパスが有効で衝突しないよう、共同フォワードシミュレーションを使用する。
異なる種類の衝突シナリオと異なる数のASVを用いて実験を行った。
その結果, VORRT-COLREGS はオープンオーシャンシナリオにおける衝突規制 (COLREG) の苦情経路を作成した。
さらに、VORRT-COLREGSは、トラフィック分離方式におけるコンプライアンスパスの生成に成功した。
これらの結果は,異なる衝突シナリオにおけるASVの経路生成に適用可能であることを示す。
私たちの知る限りでは、これはvelocity obstaclesとrrtを組み合わせることで、asvの安全かつコレーグな苦情パスを作り出す最初の作業です。
関連論文リスト
- CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Robust Path Following on Rivers Using Bootstrapped Reinforcement
Learning [0.0]
本稿では,内陸海域における自律型表面容器(ASV)の航行制御のための深層強化学習(DRL)エージェントを開発した。
最先端のブートストラップ付きQ-ラーニングアルゴリズムと多用途のトレーニング環境ジェネレータを組み合わせることで、堅牢で正確な舵制御を実現する。
論文 参考訳（メタデータ） (2023-03-24T07:21:27Z) - Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。
LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
論文 参考訳（メタデータ） (2023-02-28T17:51:43Z) - Heterogeneous Trajectory Forecasting via Risk and Scene Graph Learning [37.8996575530285]
異種道路エージェントの軌道予測のためのリスク・シーングラフ学習法を提案する。
HRGは、各種類の道路エージェントをグループ化し、効果的な衝突リスク指標に基づいてそれらの相互作用隣接行列を算出する。
走行シーンのHSGは、道路エージェントと道路シーン文法に整合した道路意味的レイアウトの関係を推定することによってモデル化される。
論文 参考訳（メタデータ） (2022-11-02T03:34:35Z) - Multi-Agent Chance-Constrained Stochastic Shortest Path with Application
to Risk-Aware Intelligent Intersection [15.149982804527182]
既存の自動交差点の深刻な課題は、運転環境や人間駆動車からの不確実性の検出と推論にある。
自動運転車(AV)と人間駆動車(HV)のためのリスク対応知的交差点システムを提案する。
論文 参考訳（メタデータ） (2022-10-03T06:49:23Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z) - Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial
Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。
提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。
提案手法を様々なシミュレーション環境で検証した。
論文 参考訳（メタデータ） (2020-08-29T09:55:49Z)
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。