論文の概要: Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2309.14566v1
- Date: Mon, 25 Sep 2023 22:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 15:37:51.286225
- Title: Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles
- Title(参考訳): 自動車用ILQR軌道計画への高次ダイナミクスと道路コンプライアンスの統合
- Authors: Hanxiang Li, Jiaqiao Zhang, Sheng Zhu, Dongjian Tang, Donghao Xu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.200238632208686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the advancements in on-road trajectory planning for
Autonomous Passenger Vehicles (APV). Trajectory planning aims to produce a
globally optimal route for APVs, considering various factors such as vehicle
dynamics, constraints, and detected obstacles. Traditional techniques involve a
combination of sampling methods followed by optimization algorithms, where the
former ensures global awareness and the latter refines for local optima.
Notably, the Constrained Iterative Linear Quadratic Regulator (CILQR)
optimization algorithm has recently emerged, adapted for APV systems,
emphasizing improved safety and comfort. However, existing implementations
utilizing the vehicle bicycle kinematic model may not guarantee controllable
trajectories. We augment this model by incorporating higher-order terms,
including the first and second-order derivatives of curvature and longitudinal
jerk. This inclusion facilitates a richer representation in our cost and
constraint design. We also address roadway compliance, emphasizing adherence to
lane boundaries and directions, which past work often overlooked. Lastly, we
adopt a relaxed logarithmic barrier function to address the CILQR's dependency
on feasible initial trajectories. The proposed methodology is then validated
through simulation and real-world experiment driving scenes in real time.
- Abstract(参考訳): 本稿では,自動走行車(APV)の軌道計画の進歩について述べる。
軌道計画は、車両力学、制約、検出された障害物などの様々な要因を考慮して、APVのグローバルな最適経路を作成することを目的としている。
従来の手法はサンプリング法と最適化アルゴリズムを組み合わせており、後者はグローバルな認識を保証し、後者は局所的な最適化を行う。
特に、制約付き反復線形擬似レギュレータ(CILQR)最適化アルゴリズムが最近登場し、APVシステムに適応し、安全性と快適性の向上を強調している。
しかしながら、既存の車両用自転車キネマティックモデルを用いた実装では、制御可能な軌道を保証できない。
我々は、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を組み込むことで、このモデルを増強する。
この包含によって、コストと制約設計のリッチな表現が容易になります。
道路のコンプライアンスにも対処し、車線境界と方向への順守を強調しています。
最後に、CILQRが実現可能な初期軌道への依存性に対処するために、緩やかな対数障壁関数を採用する。
提案手法はシミュレーションと実世界の実験によりリアルタイムで検証される。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - Bi-Level Optimization Augmented with Conditional Variational Autoencoder
for Autonomous Driving in Dense Traffic [0.9281671380673306]
本稿では、最適行動決定と結果の軌跡を共同で計算するパラメータ化バイレベル最適化を提案する。
当社のアプローチは,GPUアクセラレーションバッチを使用してリアルタイムに動作し,変分オートエンコーダがウォームスタート戦略を学習する。
本手法は, 運転効率の競争力に優れながら, 衝突速度の観点から, 最先端モデル予測制御とRLアプローチより優れる。
論文 参考訳(メタデータ) (2022-12-05T12:56:42Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Motion Planning for Autonomous Vehicles in the Presence of Uncertainty
Using Reinforcement Learning [0.0]
不確実性の下での運動計画は、自動運転車の開発における主要な課題の1つである。
最悪の事例を最適化して不確実性を管理するための強化学習に基づくソリューションを提案する。
提案手法は従来のRLアルゴリズムよりもはるかに優れた動作計画行動を示し,人間の運転スタイルと相容れない動作を示す。
論文 参考訳(メタデータ) (2021-10-01T20:32:25Z) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳(メタデータ) (2021-05-05T01:20:03Z) - An End-to-end Deep Reinforcement Learning Approach for the Long-term
Short-term Planning on the Frenet Space [0.0]
本稿では,自動運転車の意思決定と動作計画に向けた,エンドツーエンドの継続的強化学習手法を提案する。
初めて、Frenet空間上の状態と行動空間の両方を定義して、走行挙動を道路曲率に変化させないようにする。
このアルゴリズムは、フィードバックコントローラが追跡するFrenetフレーム上で連続時間軌道を生成する。
論文 参考訳(メタデータ) (2020-11-26T02:40:07Z) - 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) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z) - Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot
Locomotion [78.46388769788405]
我々は,制約付きポリシー最適化(CPPO)の実装に基づくRLフレームワークであるGCPOを紹介する。
誘導制約付きRLは所望の最適値に近い高速収束を実現し,正確な報酬関数チューニングを必要とせず,最適かつ物理的に実現可能なロボット制御動作を実現することを示す。
論文 参考訳(メタデータ) (2020-02-22T10:15:53Z)
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。