論文の概要: N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme
- arxiv url: http://arxiv.org/abs/2605.22722v1
- Date: Thu, 21 May 2026 16:56:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.357661
- Title: N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme
- Title（参考訳）: N3P:学習型自然主義三段階スキームによる自動駐車の高速化
- Authors: Yifan Xue, Toktam Mohammadnejad, Faizan M Tariq, Sangjae Bae, David Isele, Yosuke Sakamoto, Nadia Figueroa, Jovin D'sa,
- Abstract要約: 自動駐車のための高速学習ベースの3段階フレームワークであるN3Pを提案する。
中間準備ポーズを導入し、学習モジュールを使用して予測することにより、N3Pは操作をより単純なサブプロブレムに分解する。
垂直および平行駐車実験により、N3P強化ハイブリッドA*は計画の80%以上を高速化することが示された。
- 参考スコア（独自算出の注目度）: 9.75702108285937
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autonomous parking requires efficient path planning that ensures kinematic feasibility and collision avoidance in constrained environments. Hybrid A* is widely used but computationally expensive, while reinforcement learning (RL) methods lack reliability and often struggle with long-horizon geometric constraints, leading to suboptimal trajectories. We present N3P, a fast learning-based three-stage framework for automated parking. By introducing an intermediate preparatory pose and using a learning module to predict it, N3P decomposes the maneuver into simpler subproblems, thereby reducing computational complexity and accelerating path generation. We validate the framework by integrating it with Hybrid A* algorithms. Experiments in perpendicular and parallel parking scenarios show that N3P-enhanced Hybrid A* speeds up planning by more than 80%. It also outperforms RL baselines in success rate and trajectory quality, producing shorter trajectories with fewer gear changes, while achieving comparable or lower planning time in most cases.
- Abstract（参考訳）: 自動駐車は、制約された環境での運動可能性と衝突回避を確実にする効率的な経路計画を必要とする。
ハイブリッドA*は広く使われているが計算に費用がかかるが、強化学習(RL)法は信頼性に欠け、長い水平の幾何学的制約に悩まされることが多く、最適下軌道に繋がる。
自動駐車のための高速学習ベースの3段階フレームワークであるN3Pを提案する。
中間準備ポーズを導入し、学習モジュールを使用して予測することにより、N3Pは操作をより単純なサブプロブレムに分解し、計算複雑性を低減し、パス生成を加速する。
このフレームワークをHybrid A*アルゴリズムと統合して検証する。
垂直および平行駐車実験により、N3P強化ハイブリッドA*は計画の80%以上を高速化することが示された。
また、RLのベースラインを成功率と軌道品質で上回り、ギアの変更が少なくて短い軌道を産み出すが、ほとんどの場合、同等または低い計画時間を達成する。
関連論文リスト
- 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) - LLM-Driven Scenario-Aware Planning for Autonomous Driving [35.75515733294211]
自動運転のためのハイブリッドプランナー切替フレームワーク(HPSF)は、高密度交通の安全な操作で高速運転効率を調整する必要がある。
既存のHPSF法は、しばしば、信頼性の高いモード遷移や、混雑した環境での効率的な運転を維持できない。
本稿では,低複雑シーンにおける高速運転と高複雑シーンにおける高精度運転を切り替える,大規模言語モデル(LLM)による適応計画手法を提案する。
論文 参考訳（メタデータ） (2026-01-29T15:42:13Z) - Accelerating Wireless Distributed Learning via Hybrid Split and Federated Learning Optimization [58.557093803478274]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、無線ネットワークにおいて効果的な分散ラーニングパラダイムである。
ハイブリッドスプリットとフェデレート学習(HSFL)の両方の利点を活用するために、一部のデバイスはFLモードで動作し、その他のデバイスはSLモードで動作することができる。
本論文は,(1)学習モードの選択が全体の学習性能にどのように影響するか,2)バッチサイズとどのように相互作用するか,という3つの重要な疑問に対処することによって,HSFLを加速することを目的としている。
論文 参考訳（メタデータ） (2025-11-25T02:29:22Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
無線対応経路計画フレームワークであるSCoTTを提案する。
SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。
また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
論文 参考訳（メタデータ） (2024-11-27T10:45:49Z) - LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
経路計画はロボット工学と自律航法における基本的な科学的問題である。
A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。
本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。
このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-06-20T01:24:30Z) - OTTR: Off-Road Trajectory Tracking using Reinforcement Learning [6.033086397437647]
オフロード軌道追跡問題に対する新しい強化学習(RL)アルゴリズムを提案する。
提案手法は,ベースラインRLポリシーに適応するために利用可能な限られた実世界のデータを効率的に活用する。
標準のILQR手法と比較して,提案手法はWarthogとMooseのクロストラック誤差を30%,50%削減する。
論文 参考訳（メタデータ） (2021-10-05T20:04:37Z) - 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) - Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in
Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。
提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
論文 参考訳（メタデータ） (2021-05-25T03:41:29Z) - 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。