論文の概要: ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning

• arxiv url: http://arxiv.org/abs/2408.02061v1
• Date: Sun, 4 Aug 2024 15:20:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 15:15:41.050344
• Title: ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning
• Title（参考訳）: ParkingE2E: 画像から計画まで、カメラによるエンドツーエンドのパーキングネットワーク
• Authors: Changze Li, Ziheng Ji, Zhe Chen, Tong Qin, Ming Yang,
• Abstract要約: 伝統的な駐車アルゴリズムは通常ルールベースのスキームを使って実装される。 ニューラルネットワークベースの手法はルールベースの手法よりも直感的で汎用性が高い傾向にある。 本稿では,人間の運転軌跡を模倣して,RGB画像から経路計画までのエンド・ツー・エンド・プランニングを行うために模倣学習を用いる。 提案手法は4つの現実世界のガレージで平均87.8%のパーキング成功率を達成した。
• 参考スコア（独自算出の注目度）: 7.034120265476802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous parking is a crucial task in the intelligent driving field. Traditional parking algorithms are usually implemented using rule-based schemes. However, these methods are less effective in complex parking scenarios due to the intricate design of the algorithms. In contrast, neural-network-based methods tend to be more intuitive and versatile than the rule-based methods. By collecting a large number of expert parking trajectory data and emulating human strategy via learning-based methods, the parking task can be effectively addressed. In this paper, we employ imitation learning to perform end-to-end planning from RGB images to path planning by imitating human driving trajectories. The proposed end-to-end approach utilizes a target query encoder to fuse images and target features, and a transformer-based decoder to autoregressively predict future waypoints. We conducted extensive experiments in real-world scenarios, and the results demonstrate that the proposed method achieved an average parking success rate of 87.8% across four different real-world garages. Real-vehicle experiments further validate the feasibility and effectiveness of the method proposed in this paper.
• Abstract（参考訳）: 自律駐車はインテリジェントな運転分野において重要な課題である。 従来のパーキングアルゴリズムは通常ルールベースのスキームを使って実装される。 しかし、これらの手法はアルゴリズムの複雑な設計のため、複雑な駐車シナリオでは効果が低い。 対照的に、ニューラルネットワークベースの手法はルールベースの手法よりも直感的で汎用性が高い傾向にある。 多数の専門的な駐車軌跡データを収集し、学習に基づく手法で人的戦略をエミュレートすることにより、効果的に駐車作業に対処できる。 本稿では,人間の運転軌跡を模倣して,RGB画像から経路計画までのエンド・ツー・エンド・プランニングを行うために模倣学習を用いる。 提案したエンドツーエンドアプローチでは、ターゲットクエリエンコーダを使用して画像とターゲット特徴を融合し、トランスフォーマーベースのデコーダを使用して将来のウェイポイントを自動回帰予測する。 提案手法は, 実世界の4つのガレージにおいて, 平均駐車成功率87.8%を達成した。 実車実験は,提案手法の有効性と有効性をさらに検証する。

関連論文リスト

• HOPE: A Reinforcement Learning-based Hybrid Policy Path Planner for Diverse Parking Scenarios [24.25807334214834]
  多様な複雑な駐車シナリオを扱うために,Hybrid pOlicy Path PlannEr(HOPE)を導入する。 HOPEは強化学習エージェントをReeds-Shepp曲線に統合し、多様なシナリオにまたがる効果的な計画を可能にする。 本稿では,空間および障害物分布に基づく駐車シナリオの難易度を分類するための基準を提案する。
  論文  参考訳（メタデータ） (2024-05-31T02:17:51Z)
• 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)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• 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)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• Experience-Based Heuristic Search: Robust Motion Planning with Deep Q-Learning [0.0]
  本稿では,Deep Q-Networkの形式でのエクスペリエンスを,探索アルゴリズムの最適ポリシとして統合する方法について述べる。 本手法は、自動運転車分野における強化学習に基づく計画の適用性について、さらなる研究を奨励する可能性がある。
  論文  参考訳（メタデータ） (2021-02-05T12:08:11Z)
• 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)

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。