論文の概要: Learning-Based Path Planning for Long-Range Autonomous Valet Parking

• arxiv url: http://arxiv.org/abs/2109.11661v1
• Date: Thu, 23 Sep 2021 21:55:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 03:30:39.737621
• Title: Learning-Based Path Planning for Long-Range Autonomous Valet Parking
• Title（参考訳）: 長距離自動駐車のための学習経路計画
• Authors: Muhammad Khalid, Liang Wang, Kezhi Wang, Cunhua Pan, Nauman Aslam and Yue Cao
• Abstract要約: 長距離自動駐車(Long-range autonomous valet parking, LAVP)が提案されている。 電気自動車(Electric autonomous Vehicle, EAV)が市内に配備され、必要な場所で利用者を拾い上げ、降ろし、都市中心部の駐車場まで自律的に運転することができる。 本稿では,Double-Layer Ant Colony Optimization (DL-ACO)アルゴリズムと呼ばれる学習に基づくアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 37.70834223132688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, to reduce the congestion rate at the city center and increase the quality of experience (QoE) of each user, the framework of long-range autonomous valet parking (LAVP) is presented, where an Electric Autonomous Vehicle (EAV) is deployed in the city, which can pick up, drop off users at their required spots, and then drive to the car park out of city center autonomously. In this framework, we aim to minimize the overall distance of the EAV, while guarantee all users are served, i.e., picking up, and dropping off users at their required spots through optimizing the path planning of the EAV and number of serving time slots. To this end, we first propose a learning based algorithm, which is named as Double-Layer Ant Colony Optimization (DL-ACO) algorithm to solve the above problem in an iterative way. Then, to make the real-time decision, while consider the dynamic environment (i.e., the EAV may pick up and drop off users from different locations), we further present a deep reinforcement learning (DRL) based algorithm, which is known as deep Q network (DQN). The experimental results show that the DL-ACO and DQN-based algorithms both achieve the considerable performance.
• Abstract（参考訳）: 本稿では,都市中心部の混雑率を低減し,各利用者の体験の質(QoE)を高めるため,長距離自動駐車(LAVP)の枠組みを提示し,都市内に電気自動車(EAV)を配備し,必要な場所で利用者を拾い上げ,降ろし,都市中心部から駐車場まで自律的に運転する。 本フレームワークでは,EAVの経路計画の最適化とサービス時間スロットの数の最適化により,すべてのユーザが必要な場所でサービスを受けられることを保証しながら,EAVの全体距離を最小化することを目的としている。 そこで本研究では,この問題を反復的に解くために,Double-Layer Ant Colony Optimization (DL-ACO)アルゴリズムと呼ばれる学習ベースアルゴリズムを提案する。 次に、動的環境(eavは異なる場所からユーザーを拾い上げ、降ろすかもしれない)を考慮しつつ、リアルタイムな意思決定を行うために、deep q network(dqn)として知られるdeep reinforcement learning(drl)ベースのアルゴリズムも提示する。 実験の結果,DL-ACOとDQNに基づくアルゴリズムはともに高い性能を示した。

関連論文リスト

• 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)
• Temporal Transfer Learning for Traffic Optimization with Coarse-grained Advisory Autonomy [4.809821883560606]
  本稿では,人間ドライバーに対してリアルタイム運転アドバイザリを発行するアドバイザリ自律性について検討する。 ゼロショット転送のためのソースタスクを選択するために,TTLアルゴリズムを導入する。 様々な混合交通シナリオでアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2023-11-27T21:18:06Z)
• DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in Complex Environments [55.204450019073036]
  本稿では,倉庫環境における移動ロボットのためのタスク割り当てと分散ナビゲーションアルゴリズムを提案する。 本稿では,共同分散タスク割り当てとナビゲーションの問題について考察し,それを解決するための2段階のアプローチを提案する。 ロボットの衝突のない軌道の計算では,タスク完了時間において最大14%の改善と最大40%の改善が観察される。
  論文  参考訳（メタデータ） (2022-09-07T00:35:27Z)
• Off-line approximate dynamic programming for the vehicle routing problem with stochastic customers and demands via decentralized decision-making [0.0]
  本稿では,顧客の位置と需要が不確実な車両経路問題(VRP)の変種について検討する。 目的は、車両の容量と時間制限を満たしながら、提供された要求を最大化することである。 本稿では,Replay MemoryやDouble Q Networkといった最先端のアクセラレーション技術を用いたQラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-21T14:28:09Z)
• Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T20:22:05Z)
• NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T17:38:48Z)
• Decision-making for Autonomous Vehicles on Highway: Deep Reinforcement Learning with Continuous Action Horizon [14.059728921828938]
  本稿では,高速道路における連続水平決定問題に対処するために,深部強化学習(DRL)手法を用いる。 エゴ自動車両の走行目標は、衝突することなく効率的でスムーズなポリシーを実行することである。 PPO-DRLに基づく意思決定戦略は、最適性、学習効率、適応性など、複数の観点から推定される。
  論文  参考訳（メタデータ） (2020-08-26T22:49:27Z)
• Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
  複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。 建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
  論文  参考訳（メタデータ） (2020-04-25T22:54:35Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。