論文の概要: Motion planning for off-road autonomous driving based on human-like cognition and weight adaptation

• arxiv url: http://arxiv.org/abs/2404.17820v1
• Date: Sat, 27 Apr 2024 08:00:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 19:11:12.137389
• Title: Motion planning for off-road autonomous driving based on human-like cognition and weight adaptation
• Title（参考訳）: 人間の認識と重み適応に基づくオフロード自動運転の運動計画
• Authors: Yuchun Wang, Cheng Gong, Jianwei Gong, Peng Jia,
• Abstract要約: オフロード運転における人間の認識とコスト評価に基づく適応型移動プランナを提案する。 我々は、CNN-LSTMネットワークを用いて、様々なオフロードシナリオにおいて、人間のドライバーが計画する軌跡を学習する。 提案する人型運動プランナは,異なるオフロード条件への適応性に優れることを示す。
• 参考スコア（独自算出の注目度）: 9.357567433322766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving in an off-road environment is challenging for autonomous vehicles due to the complex and varied terrain. To ensure stable and efficient travel, the vehicle requires consideration and balancing of environmental factors, such as undulations, roughness, and obstacles, to generate optimal trajectories that can adapt to changing scenarios. However, traditional motion planners often utilize a fixed cost function for trajectory optimization, making it difficult to adapt to different driving strategies in challenging irregular terrains and uncommon scenarios. To address these issues, we propose an adaptive motion planner based on human-like cognition and cost evaluation for off-road driving. First, we construct a multi-layer map describing different features of off-road terrains, including terrain elevation, roughness, obstacle, and artificial potential field map. Subsequently, we employ a CNN-LSTM network to learn the trajectories planned by human drivers in various off-road scenarios. Then, based on human-like generated trajectories in different environments, we design a primitive-based trajectory planner that aims to mimic human trajectories and cost weight selection, generating trajectories that are consistent with the dynamics of off-road vehicles. Finally, we compute optimal cost weights and select and extend behavioral primitives to generate highly adaptive, stable, and efficient trajectories. We validate the effectiveness of the proposed method through experiments in a desert off-road environment with complex terrain and varying road conditions. The experimental results show that the proposed human-like motion planner has excellent adaptability to different off-road conditions. It shows real-time operation, greater stability, and more human-like planning ability in diverse and challenging scenarios.
• Abstract（参考訳）: オフロード環境での運転は、複雑で多様な地形のため、自動運転車にとって困難である。 安定かつ効率的な走行を保証するため、車両は変化するシナリオに適応可能な最適な軌道を生成するために、アンデュレーション、粗さ、障害物などの環境要因の考慮とバランスが必要である。 しかし、伝統的な運動プランナーは軌道最適化に固定コスト関数を使うことが多く、不規則な地形や珍しいシナリオで異なる運転戦略に適応することが困難である。 これらの課題に対処するために,人間のような認知とオフロード運転のコスト評価に基づく適応型運動プランナを提案する。 まず、地形の標高、粗さ、障害物、人工電位場マップなど、オフロード地形の異なる特徴を記述した多層マップを構築する。 その後、CNN-LSTMネットワークを用いて、様々なオフロードシナリオにおいて、人間の運転者が計画する軌跡を学習する。 そして,異なる環境下で発生する人間のような軌道に基づいて,人間の軌道とコスト選択を模倣し,オフロード車両のダイナミックスと整合した軌道を生成するプリミティブなトラジェクティブプランナを設計する。 最後に、最適なコスト重みを計算し、行動プリミティブを選択して、高度に適応し、安定し、効率的な軌道を生成する。 複雑な地形と道路条件の異なる砂漠オフロード環境における実験を通じて,提案手法の有効性を検証する。 実験の結果,提案する人型運動プランナはオフロード条件の異なる条件に適応可能であることがわかった。 多様な、挑戦的なシナリオにおいて、リアルタイム操作、より安定性、より人間らしい計画能力を示す。

関連論文リスト

• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
  本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。 我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。 シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
  論文  参考訳（メタデータ） (2024-09-04T16:54:31Z)
• 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)
• 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)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• 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)
• 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)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• 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)
• Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving [11.764518510841235]
  自然な運転データから移動プランナのコストパラメータを学習する。 この学習は、選択された軌跡に対して、同一の交通状況下での人間の運転軌跡を近似させることにより達成される。 レーン変更決定と運動計画の両方について実験を行い、有望な結果を得る。
  論文  参考訳（メタデータ） (2020-05-23T04:39:39Z)

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。