論文の概要: Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
- arxiv url: http://arxiv.org/abs/2512.18836v2
- Date: Sun, 04 Jan 2026 13:31:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.454435
- Title: Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
- Title（参考訳）: 障害物属性を考慮した4輪独立ステアリング自律駐車のためのマルチモーダル分類網誘導軌道計画
- Authors: Jingjia Teng, Yang Li, Yougang Bian, Manjiang Hu, Yingbai Hu, Guofa Li, Jianqiang Wang,
- Abstract要約: 本稿では,シーン認識にニューラルネットワークを利用する新たな軌道計画フレームワークを提案する。
視覚情報と車両状態を融合させるマルチモーダル知覚ネットワークは、意味的および文脈的シーン理解を捉えるために使用される。
ノード拡張プロセスには、障害を"非トラバース可能"、"クロス可能"、"ドライブオーバー"と分類する階層的障害物処理戦略が組み込まれている。
- 参考スコア（独自算出の注目度）: 22.803961716308894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Four-wheel Independent Steering (4WIS) vehicles have attracted increasing attention for their superior maneuverability. Human drivers typically choose to cross or drive over the low-profile obstacles (e.g., plastic bags) to efficiently navigate through narrow spaces, while existing planners neglect obstacle attributes, leading to suboptimal efficiency or planning failures. To address this issue, we propose a novel multimodal trajectory planning framework that employs a neural network for scene perception, combines 4WIS hybrid A* search to generate a warm start, and utilizes an optimal control problem (OCP) for trajectory optimization. Specifically, a multimodal perception network fusing visual information and vehicle states is employed to capture semantic and contextual scene understanding, enabling the planner to adapt the strategy according to scene complexity (hard or easy task). For hard tasks, guided points are introduced to decompose complex tasks into local subtasks, improving the search efficiency. The multiple steering modes of 4WIS vehicles, Ackermann, diagonal, and zero-turn, are also incorporated as kinematically feasible motion primitives. Moreover, a hierarchical obstacle handling strategy, which categorizes obstacles as "non-traversable", "crossable", and "drive-over", is incorporated into the node expansion process, explicitly linking obstacle attributes to planning actions to enable efficient decisions. Furthermore, to address dynamic obstacles with motion uncertainty, we introduce a probabilistic risk field model, constructing risk-aware driving corridors that serve as linear collision constraints in OCP. Experimental results demonstrate the proposed framework's effectiveness in generating safe, efficient, and smooth trajectories for 4WIS vehicles, especially in constrained environments.
- Abstract（参考訳）: 4輪インディペンデントステアリング(4WIS)車両は、優れた操縦性のために注目を集めている。
人間のドライバーは通常、狭い空間を効率的に移動するために、目立たない障害物(例えばビニール袋)を横切るか、あるいは運転するかを選択します。
そこで本研究では、4WISハイブリッドA*探索と組み合わせて温暖化開始を発生させ、軌道最適化のための最適制御問題(OCP)を利用する、シーン認識のためのニューラルネットワークを用いた新しいマルチモーダル軌道計画フレームワークを提案する。
具体的には、視覚情報と車両状態とを融合させたマルチモーダル知覚ネットワークを用いて、意味的および文脈的シーン理解を捕捉し、プランナーがシーンの複雑さ(ハードまたは簡単なタスク)に応じて戦略を適応できるようにする。
ハードタスクには、複雑なタスクを局所的なサブタスクに分解し、探索効率を向上させるガイド付きポイントが導入された。
4WIS車両の複数ステアリングモード(アッカーマン、斜め、ゼロターン)も、キネマティックに実現可能な運動プリミティブとして組み込まれている。
さらに、障害を"非トラバース可能"、"クロス可能"、"ドライブオーバー"と分類する階層的障害処理戦略がノード拡張プロセスに組み込まれ、障害属性を計画行動に明示的にリンクして効率的な決定を可能にする。
さらに、運動の不確実性を伴う動的障害に対処するため、OCPにおける線形衝突制約として機能するリスク認識駆動廊下を構築する確率的危険場モデルを導入する。
実験により,特に制約環境下での4WIS車両の安全,効率的,スムーズな軌道生成において,提案手法の有効性が示された。
関連論文リスト
- VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。
VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。
また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
論文 参考訳（メタデータ） (2026-03-09T05:20:33Z) - Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。
提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
論文 参考訳（メタデータ） (2026-02-09T21:15:33Z) - A Vision-Language-Action Model with Visual Prompt for OFF-Road Autonomous Driving [14.778856339414455]
オフロード地形における効率的な軌道計画は、自動運転車にとって非常に困難な課題である。
本稿では,空間認識の不十分さと不安定な推論を克服する,新しいエンドツーエンドマルチモーダルフレームワークOF-EMMAを提案する。
RELLIS-3Dオフロードデータセットの実験結果から、OF-EMMAは既存の手法よりもかなり優れていることが示された。
論文 参考訳（メタデータ） (2026-01-07T02:08:18Z) - FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。
NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
論文 参考訳（メタデータ） (2025-09-17T13:51:33Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - JPDS-NN: Reinforcement Learning-Based Dynamic Task Allocation for Agricultural Vehicle Routing Optimization [3.559425487157277]
エントランス依存車両ルーティング問題(Entrance Dependent Vehicle Routing Problem、EDVRP)は、都市の規模が経路結果に影響を与える車両問題(VRP)の変種である。
EDVRPを効果的に解くために,共振器分布サンプリングニューラルネットワーク(JPDS-NN)を提案する。
JPDS-NNは走行距離を48.4-65.4%削減し、燃料消費量を14.0-17.6%削減し、ベースライン法よりも2桁高速に計算する。
論文 参考訳（メタデータ） (2025-03-04T07:50:32Z) - Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。
提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。
我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文 参考訳（メタデータ） (2025-01-16T16:45:08Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Potential Based Diffusion Motion Planning [73.593988351275]
本稿では,潜在的行動計画の学習に向けた新しいアプローチを提案する。
我々はニューラルネットワークを訓練し、運動計画軌跡よりも容易に最適化可能なポテンシャルを捕捉し、学習する。
我々は、その固有の構成可能性を示し、様々な動きの制約に一般化することができる。
論文 参考訳（メタデータ） (2024-07-08T17:48:39Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z)
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。