論文の概要: Integrated Graph Search and Model Predictive Control for Smooth and Efficient Path Planning in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2607.04259v1
- Date: Sun, 05 Jul 2026 12:14:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.877726
- Title: Integrated Graph Search and Model Predictive Control for Smooth and Efficient Path Planning in Autonomous Vehicles
- Title（参考訳）: 自動車のスムーズかつ効率的な経路計画のための統合グラフ検索とモデル予測制御
- Authors: Duc-Tien Bui, Ngoc Thinh Nguyen, Hung Duy Nguyen, Dong Bi, Tomislav Mihalj, Arno Eichberger,
- Abstract要約: 粗い経路は、まず、離散格子上のDijkstraサーチによって得られる。
経路を洗練させるためにモデル予測制御問題を定式化する。
提案アルゴリズムは, 直線道路および湾曲道路の複数のオーバーテイクシナリオにおいて評価される。
- 参考スコア（独自算出の注目度）: 1.228397872697275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Path planning is a fundamental component of autonomous vehicles, where achieving safe, comfortable, and dynamically feasible paths while ensuring computational efficiency remains a significant challenge. This paper presents a sequential path planning framework in which a rough path obtained from graph search is explicitly exploited to guide a Model Predictive Control (MPC)-based path refinement. A rough path is first obtained via Dijkstra search on a discretized grid and is then used to construct a spatially varying convex lateral safety corridor that explicitly captures obstacle avoidance constraints, transforming discrete obstacle avoidance decisions into continuous feasibility constraints for optimization. Within this corridor, an MPC problem is formulated to refine the path, enabling efficient optimization while maintaining path smoothness by penalizing the third-order spatial derivative of the lateral offset over a prediction horizon. The proposed algorithm is evaluated in multiple overtaking scenarios on both straight and curved roads, including cases with single and multiple target vehicles, using high-fidelity environment simulations (i.e., CarMaker). Compared with the previous study, which used polynomial fitting and a quadratic programming method, the proposed approach consistently achieves lower lateral acceleration, curvature, and jerk while reducing computational cost by 28.08% on straight roads and 29.52% on curved roads. These results demonstrate that exploiting graph-search structure within an MPC formulation provides an effective balance between path smoothness and computational efficiency for autonomous vehicles in structured driving environments.
- Abstract（参考訳）: パスプランニングは、安全で快適で動的に実現可能なパスを達成しつつ、計算効率の確保が重要な課題である自動運転車の基本的な構成要素である。
本稿では,グラフ探索から得られた粗い経路を明示的に利用して,モデル予測制御(MPC)に基づく経路修正を導出するシーケンシャルパス計画手法を提案する。
粗い経路は、まず、離散格子上のDijkstra探索を通して得られ、次に、障害物回避の制約を明示的に捉え、離散障害物回避の決定を最適化のための連続可能な制約に変換する空間的に変化する凸側安全廊下を構築するために使用される。
この廊下内では、MPC問題を定式化し、予測地平線上で横オフセットの3階空間微分をペナル化することにより、経路の滑らかさを維持しながら効率的な最適化を可能にする。
提案アルゴリズムは,高忠実度環境シミュレーション(CarMaker)を用いて,単車および複数車両の事例を含む,直線道路および湾曲道路の複数のオーバーテイクシナリオで評価する。
計算コストを直線道路で28.08%,曲線道路で29.52%削減しつつ, 横方向加速度, 曲率, ジャークを連続的に向上する。
これらの結果は、MPCの定式化におけるグラフ探索構造の利用が、構造化運転環境における自律走行車に対する経路の滑らかさと計算効率の効果的なバランスを与えることを示した。
関連論文リスト
- Motion Planning for Autonomous Vehicles using Optimization over Graphs of Convex Sets [0.6445605125467574]
自動運転車の運動計画には、リアルタイムな制約の下で、衝突のない、動的に実現可能な軌道を生成する必要がある。
本稿では,非線形動作計画問題に近似する新しい幾何学的制御法を提案する。
連続緩和における凸性を保ちながら、支配的な幾何学的動的効果を捉え、非線形運動計画問題の構造化された近似を提供する。
論文 参考訳（メタデータ） (2026-05-13T23:29:54Z) - Receding-Horizon Control via Drifting Models [46.44328012099217]
ドリフトMPCは、ドリフト生成モデルと未知の力学の下での後退水平計画を組み合わせた。
ドリフトMPCはドリフトモデルの一段階推論効率を維持しつつ, ほぼ最適軌道を生成可能であることを示す。
論文 参考訳（メタデータ） (2026-04-06T08:48:10Z) - Two-Stage Path Following for Mobile Manipulators via Dimensionality-Reduced Graph Search and Numerical Optimization [13.862491697262037]
移動マニピュレータの効率的な経路は、高次元の設定空間や運動的制約によって妨げられることが多い。
本稿では、8-DoF計画問題をトラクタブルな2-DoFベース最適化に分解する頑健な2段階構成計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T02:54:02Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm [0.0]
Tangent Intersection Guidance (TIG) は、静的および動的環境の両方において、UAV経路計画の先進的なアプローチである。
脅威ごとに2つのサブパスを生成し、アルゴリズムルールに基づいて最適な経路を選択し、目標に到達するまで経路を反復的に洗練する。
TIGは衝突回避のための効率的なリアルタイムパス計画機能を示し、APFおよびダイナミックAPPATTアルゴリズムより優れている。
論文 参考訳（メタデータ） (2025-08-26T12:11:59Z) - Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving [11.436186697804835]
本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。
我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
論文 参考訳（メタデータ） (2025-05-10T19:21:00Z) - Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。
本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。
また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
論文 参考訳（メタデータ） (2024-03-17T18:53:46Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。
提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。
その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
論文 参考訳（メタデータ） (2023-07-07T04:20:07Z) - Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial
Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。
提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。
提案手法を様々なシミュレーション環境で検証した。
論文 参考訳（メタデータ） (2020-08-29T09:55:49Z)
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。