論文の概要: An Online Spatial-Temporal Graph Trajectory Planner for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2404.12256v1
• Date: Thu, 18 Apr 2024 15:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 12:12:06.858103
• Title: An Online Spatial-Temporal Graph Trajectory Planner for Autonomous Vehicles
• Title（参考訳）: 自律走行車用オンライン空間時間グラフトラジェクタ
• Authors: Jilan Samiuddin, Benoit Boulet, Di Wu,
• Abstract要約: 本稿では,安全で快適なトラジェクトリを生成するために,新しいオンライン時空間グラフトラジェクトリプランナを提案する。 プランナーをサポートするために、プランナーの運動的制約を決定する単純な振舞い層も提示される。 その結果,提案したプランナは,前方方向と同等の快適な乗り心地を実現しつつ,安全かつ実現可能な軌道を生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.907105812732423
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The autonomous driving industry is expected to grow by over 20 times in the coming decade and, thus, motivate researchers to delve into it. The primary focus of their research is to ensure safety, comfort, and efficiency. An autonomous vehicle has several modules responsible for one or more of the aforementioned items. Among these modules, the trajectory planner plays a pivotal role in the safety of the vehicle and the comfort of its passengers. The module is also responsible for respecting kinematic constraints and any applicable road constraints. In this paper, a novel online spatial-temporal graph trajectory planner is introduced to generate safe and comfortable trajectories. First, a spatial-temporal graph is constructed using the autonomous vehicle, its surrounding vehicles, and virtual nodes along the road with respect to the vehicle itself. Next, the graph is forwarded into a sequential network to obtain the desired states. To support the planner, a simple behavioral layer is also presented that determines kinematic constraints for the planner. Furthermore, a novel potential function is also proposed to train the network. Finally, the proposed planner is tested on three different complex driving tasks, and the performance is compared with two frequently used methods. The results show that the proposed planner generates safe and feasible trajectories while achieving similar or longer distances in the forward direction and comparable comfort ride.
• Abstract（参考訳）: 自動運転業界は今後10年間で20倍以上の成長が見込まれており、研究者が研究を進める動機となっている。 彼らの研究の主な焦点は、安全性、快適さ、効率性を保証することである。 自動運転車には、上記のアイテムの1つ以上の責任を負う複数のモジュールがある。 これらのモジュールの中で、軌道プランナーは車両の安全性と乗客の快適性において重要な役割を担っている。 モジュールはまた、キネマティックな制約と適用可能な道路制約を尊重する責任も負う。 本稿では,安全で快適なトラジェクトリを生成するために,新しいオンライン時空間グラフトラジェクトリプランナを提案する。 まず, 道路沿いの自律走行車, 周囲の車両, 仮想ノードを用いて, 時空間グラフを構築した。 次に、グラフをシーケンシャルネットワークに転送して、所望の状態を取得する。 プランナーをサポートするために、プランナーの運動的制約を決定する単純な振舞い層も提示される。 さらに、ネットワークをトレーニングするための新しいポテンシャル関数も提案されている。 最後に、提案したプランナを3つの異なる複雑な駆動タスクでテストし、その性能を2つの頻繁な手法と比較する。 その結果,提案したプランナーは,前後にほぼ同様の,あるいは長い距離と同等の快適な乗り心地を達成しつつ,安全かつ実現可能な軌道を生成できることが示唆された。

関連論文リスト

• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning [5.280496662905411]
  本稿では,ハイレベルグリッドベース行動プランナと低レベル軌道プランナを含む階層型計画アーキテクチャを提案する。 高レベルプランナーが一貫した経路を見つける責任があるため、低レベルプランナーは実行可能な軌道を生成する。 本手法をクローズドループシミュレーションと実世界運転の両方で評価し,ニューラルネットワークプランナの優れた性能を実証する。
  論文  参考訳（メタデータ） (2023-03-24T13:18:40Z)
• Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts [3.2230833657560503]
  我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。 推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。 都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
  論文  参考訳（メタデータ） (2022-11-03T20:16:24Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• 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)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• 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)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。