論文の概要: Real-World Application of Various Trajectory Planning Algorithms on MIT
RACECAR
- arxiv url: http://arxiv.org/abs/2109.00890v1
- Date: Tue, 17 Aug 2021 12:08:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:51:50.966627
- Title: Real-World Application of Various Trajectory Planning Algorithms on MIT
RACECAR
- Title（参考訳）: 各種軌道計画アルゴリズムのMIT RACECARへの適用
- Authors: Oguzhan Kose
- Abstract要約: 3つの経路計画アルゴリズムがMIT RACECARに適用された。
アルゴリズムを比較するシナリオが作成されました。
APFは低処理負荷と単純な動作ロジックのために選択された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the project, the vehicle was first controlled with ROS. For this purpose,
the necessary nodes were prepared to be controlled with a joystick. Afterwards,
DWA(Dynamic Window Approach), TEB(Timed-Elastic Band) and APF(Artificial
Potential Field) path planning algorithms were applied to MIT RACECAR,
respectively. These algorithms have advantages and disadvantages against each
other on different issues. For this reason, a scenario was created to compare
algorithms. On a curved double lane road created according to this scenario,
MIT RACECAR has to follow the lanes and when it encounters an obstacle, it has
to change lanes without leaving the road and pass without hitting the obstacle.
In addition, an image processing algorithm was developed to obtain the position
information of the lanes needed to implement this scenario. This algorithm
detects the target point by processing the image taken from the ZED camera and
gives the target point information to the path planning algorithm.
After the necessary tools were created, the algorithms were tested against
the scenario. In these tests, measurements such as how many obstacles the
algorithm successfully passed, how simple routes it chose, and computational
costs they have. According to these results, although it was not the algorithm
that successfully passed the most obstacles, APF was chosen due to its low
processing load and simple working logic. It was believed that with its
uncomplicated structure, APF would also provide advantages in the future stages
of the project.
- Abstract（参考訳）: 計画では、車両は最初にROSで制御された。
この目的のために、必要なノードをジョイスティックで制御する準備が整った。
その後、DWA(Dynamic Window Approach)、TEB(Timed-Elastic Band)、APF(Artificial potential Field)パス計画アルゴリズムをそれぞれMIT RACECARに適用した。
これらのアルゴリズムは異なる問題について互いに利点と欠点を持っている。
このため、アルゴリズムを比較するシナリオが作成された。
このシナリオで作られたカーブした複車線道路では、MIT RACECARは車線を辿る必要があり、障害物に遭遇したときは、道路を離れることなく車線を変え、障害物にぶつかることなく通過しなければならない。
さらに,このシナリオを実現するために必要なレーンの位置情報を得るために,画像処理アルゴリズムを開発した。
このアルゴリズムは、zedカメラから撮像された画像を処理して目標点を検出し、目標点情報を経路計画アルゴリズムに与える。
必要なツールが作成された後、アルゴリズムはシナリオに対してテストされた。
これらのテストでは、アルゴリズムが成功した障害の数、選択した経路の単純さ、計算コストなどの測定を行う。
これらの結果によると、最も障害を乗り越えるアルゴリズムはアルゴリズムではなかったが、APFは低処理負荷と単純な動作ロジックのために選択された。
複雑でない構造により、APFはプロジェクトの将来の段階でも利点をもたらすと信じられていた。
関連論文リスト
- POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of
a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。
我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
論文 参考訳（メタデータ） (2023-07-16T19:44:27Z) - A Metaheuristic Algorithm for Large Maximum Weight Independent Set
Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。
このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。
我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-28T21:34:16Z) - Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
パスプランニングはモバイルロボティクスの重要な構成要素である。
学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳（メタデータ） (2022-03-07T01:52:57Z) - Pragmatic Implementation of Reinforcement Algorithms For Path Finding On
Raspberry Pi [0.0]
提案システムは,Raspberry Piが制御する4輪駆動非ホロノミックロボットのグリッドマップを容易にするために,コスト効率のよいアプローチである。
Q学習とDeep-Q学習は、静的障害物との衝突を避けながら最適な経路を見つけるために使用される。
また,方向の配列を正確な動きにデコードする新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-07T09:00:14Z) - PathBench: A Benchmarking Platform for Classical and Learned Path
Planning Algorithms [59.3879573040863]
パスプランニングは、モバイルロボティクスの重要なコンポーネントです。
アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳（メタデータ） (2021-05-04T21:48:18Z) - Waypoint Planning Networks [66.72790309889432]
本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。
我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。
WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-05-01T18:02:01Z) - Real-time Lane detection and Motion Planning in Raspberry Pi and Arduino
for an Autonomous Vehicle Prototype [0.0]
Pi Camera 1.3はリアルタイムでビデオを撮影し、Raspberry-Pi 3.0 Model Bで処理する。
画像処理アルゴリズムはPython 3.7.4でOpenCV 4.2で書かれている。
プロトタイプはリアルタイムで制御された環境でテストされた。
論文 参考訳（メタデータ） (2020-09-20T09:13:15Z) - Performance Improvement of Path Planning algorithms with Deep Learning
Encoder Model [1.1995939891389429]
この状況を克服するために畳み込みニューラルネットワーク(CNN)が用いられた。
本稿では,このCNNモデルを用いて性能を詳細に解析し,無駄な経路を除去する。
論文 参考訳（メタデータ） (2020-08-05T17:34:31Z) - Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios [26.016292792373815]
本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。
このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。
実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
論文 参考訳（メタデータ） (2020-04-02T16:06:48Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。