論文の概要: Parking Assistance for Trailer-Truck Transport Vehicles Using Sensor Fusion and Motion Planning

• arxiv url: http://arxiv.org/abs/2605.02716v1
• Date: Mon, 04 May 2026 15:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.371071
• Title: Parking Assistance for Trailer-Truck Transport Vehicles Using Sensor Fusion and Motion Planning
• Title（参考訳）: センサフュージョンと運動計画を用いたトレーラー・トラック輸送車両の駐車支援
• Authors: George Alenchery, Thomas Jeske, Tova Quinones, Lentz Fortune, Tristan Lindo-Slones, Amber Jones, Jordan Fletcher,
• Abstract要約: 駐車のような低速運転は、自律システムにとって最も困難な課題である。 本稿では、認識、運動計画、制御システム、インフラ認識を統合した自動トラック駐車のための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving technology has rapidly evolved over the past decade, offering significant improvements in transportation efficiency, safety, and cost reduction. While much of the progress has focused on highway driving and obstacle avoidance, low-speed maneuvers such as parking remain among the most difficult challenges for autonomous systems. This challenge is especially pronounced in trailer-truck transport vehicles due to their articulated motion and environmental constraints. This paper presents a proposed framework for autonomous truck parking that integrates perception, motion planning, control systems, and infrastructure awareness. By combining sensor fusion, Hybrid A* path planning, nonlinear model predictive control (NMPC), and data-driven parking systems, this work highlights the importance of system-level coordination for reliable and scalable autonomous parking solutions. As a proof-of-concept implementation, we adapted an open-source A* path planning simulation to incorporate a tractor-trailer kinematic model, demonstrating articulated vehicle path planning within a command-line simulation environment, with jackknife prevention identified as an area requiring further development.
• Abstract（参考訳）: 自動運転技術は過去10年間で急速に発展し、輸送効率、安全性、コスト削減に大きな改善をもたらした。 進歩の多くは高速道路の運転と障害物回避に焦点が当てられているが、駐車のような低速の操縦は、自律システムにとって最も困難な課題である。 この課題は、特にトレーラーとトラックの輸送車両において、運動と環境の制約によって顕著である。 本稿では、認識、運動計画、制御システム、インフラ認識を統合した自動トラック駐車のための枠組みを提案する。 センサ融合,ハイブリッドA*経路計画,非線形モデル予測制御(NMPC)とデータ駆動型駐車システムを組み合わせることで,信頼性とスケーラブルな自律駐車ソリューションに対するシステムレベルの調整の重要性を強調した。 コンセプション・オブ・コンセプトの実装として,トラクタ・トレーラ・キネマティック・モデルを組み込んだオープンソースのA*経路計画シミュレーションを適用した。

関連論文リスト

• Hybrid A*-Based Reverse Path-Planning of a Vehicle with Trailer System [0.0]
  本稿では,車両トレーラシステムと衝突回避を考慮したハイブリッドA*アルゴリズムを提案する。 提案手法の新たな特徴の1つは、トレーラーシステムによる車両への適応性であり、システム構成に関して、ジャックナイフインシデントの発生を防止するための、使用可能なステアリング入力の制限が異なることである。
  論文  参考訳（メタデータ） (2026-04-27T15:32:05Z)
• SunnyParking: Multi-Shot Trajectory Generation and Motion State Awareness for Human-like Parking [24.480545421791234]
  本研究では,空間軌跡と離散的な動き状態列を共同で予測することで,動き状態認識を実現する2重分岐E2Eアーキテクチャを提案する。 実験により, 複雑なマルチショット駐車シナリオにおいて, より頑健で人間的な軌道を生成することが実証された。 我々はCARLAシミュレータの新しいパーキングデータセットをオープンソース化した。
  論文  参考訳（メタデータ） (2026-02-25T08:35:58Z)
• A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone [0.0]
  自律運転システム(ADS)を搭載した車は、適応クルーズ制御、衝突警報、自動駐車など、様々な最先端機能を備えている。 本稿では,多様なドリフト条件下で構築ゾーンや機能で動作可能なコンピュータビジョン技術を利用した,革新的で高精度な道路障害物検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:11:00Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning [2.5499055723658097]
  本稿では,交通流と安全を向上する車両小隊方式を提案する。 Unity 3Dゲームエンジンで深層強化学習を用いて開発されている。 提案した小隊モデルは、スケーラビリティ、分散化、ポジティブな協力の促進に重点を置いている。
  論文  参考訳（メタデータ） (2023-12-11T22:04:38Z)
• 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)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming [24.54541437306899]
  mmWave/THz帯における運転トポロジと車両ネットワークの定式化を共同で制御する新しいフレームワークである協調自律運転を構想する。 Swarmインテリジェンスシステムとして、コラボレーティブな運転方式は、単一車両インテリジェンスに基づく既存の自律運転パターンを越えている。 我々は、mmWave/THz-based vehicle-to-vehicle (V2V) 通信において、2つの有望なアプローチを示す。
  論文  参考訳（メタデータ） (2022-03-18T12:50:35Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。