論文の概要: High-Density Automated Valet Parking with Relocation-Free Sequential Operations

• arxiv url: http://arxiv.org/abs/2603.23803v1
• Date: Wed, 25 Mar 2026 00:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.06999
• Title: High-Density Automated Valet Parking with Relocation-Free Sequential Operations
• Title（参考訳）: 転位なしシークエンシャル操作による高密度自動バレットパーキング
• Authors: Bon Choe, Minhee Kang, Heejin Ahn,
• Abstract要約: 自動駐車におけるDROP, 高密度リロケーションフリーシーケンシャルOPerationsを提案する。 各チャレンジは、エリア効率のよいレイアウトと、位置変更なしの駐車/出口シーケンスを共同で提供する。 大規模なシミュレーションにより,本フレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present DROP, high-Density Relocation-free sequential OPerations in automated valet parking. DROP addresses the challenges in high-density parking & vehicle retrieval without relocations. Each challenge is handled by jointly providing area-efficient layouts and relocation-free parking & exit sequences, considering accessibility with relocation-free sequential operations. To generate such sequences, relocation-free constraints are formulated as explicit logical conditions expressed in boolean variables. Recursive search strategies are employed to derive the logical conditions and enumerate relocation-free sequences under sequential constraints. We demonstrate the effectiveness of our framework through extensive simulations, showing its potential to significantly improve area utilization with relocation-free constraints. We also examine its viability on an application problem with prescribed operational order. The results from all experiments are available at: https://drop-park.github.io.
• Abstract（参考訳）: 本稿では,自動駐車におけるDROP,高密度リロケーションフリーシーケンシャルOPerationsを提案する。 DROPは、移動せずに高密度の駐車場と車両の検索における課題に対処する。 各チャレンジは、位置のないシーケンシャル操作によるアクセシビリティを考慮して、エリア効率の良いレイアウトと位置のない駐車/出口シーケンスを共同で提供する。 そのような列を生成するために、転位のない制約はブール変数で表される明示的な論理条件として定式化される。 逐次的制約の下で論理条件を導出し、転位のない列を列挙するために再帰探索戦略が用いられる。 提案手法の有効性を広範囲なシミュレーションにより実証し, 移動自由制約による面積利用率を著しく向上させる可能性を示した。 また、所定の運用順序でアプリケーション問題に対する生存可能性についても検討する。 すべての実験の結果は、https://drop-park.github.io.comで公開されている。

関連論文リスト

• Right in Time: Reactive Reasoning in Regulated Traffic Spaces [35.58961985804191]
  本研究では,不確実な環境データと宣言的かつ論理的な交通規制を共同で検討する,リアクティブなミッション設計フレームワークを提案する。 当社のアプローチは,リアクティブパラダイムを使わずに,ProMis上での大幅なスピードアップを実現しています。
  論文  参考訳（メタデータ） (2026-03-04T12:18:36Z)
• Adapting Reinforcement Learning for Path Planning in Constrained Parking Scenarios [6.734318562862061]
  駐車場におけるリアルタイム経路計画のためのDeep Reinforcement Learningフレームワークを提案する。 古典的なプランナーとは異なり、我々の解は理想的で構造化された知覚を必要としない。 テスト時には、ポリシーは各ステップで1つのフォワードパスを通じてアクションを生成します。
  論文  参考訳（メタデータ） (2026-01-30T04:35:49Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• DRIVE: Dynamic Rule Inference and Verified Evaluation for Constraint-Aware Autonomous Driving [37.24058519921229]
  本稿では,動的ルール推論と検証評価のための新しいフレームワークDRIVEを紹介する。 D DRIVEは、ソフト制約違反率0.0%、スムーズな軌道、様々な運転シナリオにおけるより強力な一般化を実現している。 検証された評価は、現実世界のデプロイメントにおけるフレームワークの効率性、説明可能性、堅牢性をさらに示す。
  論文  参考訳（メタデータ） (2025-08-06T03:56:06Z)
• Recovering Individual-Level Activity Sequences from Location-Based Service Data Using a Novel Transformer-Based Model [0.36832029288386137]
  位置情報ベースのサービス(LBS)データは、人間の移動性に関する重要な洞察を提供するが、その空間性はしばしば不完全な旅行と活動シーケンスをもたらす。 そこで本研究では,VSNIT (Variable Selection Network-Fuused Insertion Transformer) を新たに提案し,不完全な動作シーケンスの欠落セグメントを復元する手法を提案する。 結果は、VSNITがより多様で現実的なアクティビティパターンを挿入し、現実世界の多様性をより密にマッチングし、破壊されたアクティビティ遷移をターゲットとより効果的に整合させることを示す。
  論文  参考訳（メタデータ） (2025-08-02T00:33:18Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Traffic Scene Similarity: a Graph-based Contrastive Learning Approach [4.451479907610764]
  本稿では,グラフを用いて意味のある埋め込み空間を構築することを目的とした,コントラスト学習手法の拡張を提案する。 本手法は,シーン固有の特徴を用いたシーンの連続的なマッピングと,理論的に類似したクラスタの形成を示す。 検出されたクラスタに基づいて、同様のシーンがその後のテストプロセスで識別できるため、冗長なテストの実行が削減される可能性がある。
  論文  参考訳（メタデータ） (2023-09-18T12:35:08Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

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。