論文の概要: NeuralParker: A Reinforcement Learning Planner for Irregular Parking Environments

• arxiv url: http://arxiv.org/abs/2608.24485v1
• Date: Tue, 25 Aug 2026 12:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.984862
• Title: NeuralParker: A Reinforcement Learning Planner for Irregular Parking Environments
• Title（参考訳）: NeuralParker: 不規則な駐車環境のための強化学習プランナ
• Abstract要約: 我々は、任意の目的の駐車のための強化学習に基づくハイブリッドプランナーであるNeuralParkerを紹介する。 完全な環境障害と境界幾何学を対象相対表現にエンコードする。 学習した曲率長のアークポリシーと、様々な立方体のハーマイト接続から選択されるループ内端子アンサンブルを結合する。
• 参考スコア（独自算出の注目度）: 25.61185429754509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated parking commonly assumes marked slots and short approach maneuvers. Delivery and service vehicles, however, may need to reach an operator-specified pose in an irregular bounded environment from a distant start. Existing learning-based parking planners often rely on local observations, which can restrict long-range route reasoning. To address this problem, we present NeuralParker, a reinforcement learning-based hybrid planner for arbitrary-pose parking. NeuralParker encodes full-environment obstacle and boundary geometry in a target-relative vertex representation, allowing the policy to retain route-defining context throughout the approach. It further couples a learned curvature--length arc policy with an in-loop terminal ensemble that selects from diverse cubic Hermite connections using a curvature-regularized cost. We also establish factorial and long-range route-choice benchmarks to evaluate planning success and trajectory quality. Experiments on these benchmarks show that NeuralParker achieves higher planning success and better overall trajectory quality than the evaluated baselines, while ablation studies support the benefits of the target-relative global representation and terminal ensemble. Finally, a real-vehicle evaluation confirms that the planner transfers effectively to real delivery-vehicle perception at a working parking site, planning successfully at low computational cost.
• Abstract（参考訳）: 自動駐車は通常、マークされたスロットと短いアプローチの操作を前提としている。 しかし、配達とサービス車両は、遠く離れた場所から不規則な環境下で、オペレーターが指定したポーズに到達する必要があるかもしれない。 既存の学習ベースの駐車プランナーは、しばしば局所的な観察に依存しており、長距離ルートの推論を制限することができる。 この問題に対処するために、任意の場所駐車のための強化学習に基づくハイブリッドプランナーであるNeuralParkerを提案する。 NeuralParkerは、ターゲット相対頂点表現で完全な環境障害と境界幾何学を符号化することで、アプローチ全体を通してルート定義コンテキストを維持することができる。 さらに、学習した曲率長のアークポリシーとループ内端子アンサンブルを結合し、曲率正規化コストを用いて様々な立方体ヘルマイト接続から選択する。 また、計画の成功と軌道品質を評価するために、要因的および長距離経路選択ベンチマークを構築した。 これらのベンチマーク実験により、NeuralParkerは評価されたベースラインよりも高い計画成功と全体的な軌道品質を達成する一方、アブレーション研究はターゲット相対的グローバル表現と終端アンサンブルの利点を支持することが示された。 最後に, 実車評価により, 作業駐車場における実車認識に効果的に移行し, 計算コストの低い計画を立てることを確認した。

関連論文リスト

• DriftParking: Trajectory Modeling via Drifting Field for End-to-End Automated Parking [16.779595425807457]
  我々は1ステップの軌道生成フレームワークであるDriftParkingを提案する。 分布レベルのアトラクションを条件付き1対1のアトラクションに置き換える。 それぞれの軌道を始点から始点までのベースラインと学習可能な残差に分解し、終点アライメントを表現レベルの構造制約に変換する。
  論文  参考訳（メタデータ） (2026-09-07T01:42:57Z)
• GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving [56.50032398571235]
  GraphWorldはE2E-ADフレームワークで、潜在世界モデリングを通じて長期計画を明確に強化する。 本研究では,エゴ車と周辺エージェントの相互作用をモデル化することで,エゴ中心の潜在世界表現を学習する世界国家計画を提案する。 この潜在世界状態は、重要な相互作用のダイナミクスと安全関連セマンティクスを捉え、長距離で安全を意識した軌道計画の指針となる条件付け信号として機能する。
  論文  参考訳（メタデータ） (2026-06-15T06:26:46Z)
• 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)
• 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)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking [3.750010944080163]
  本稿では,モンテカルロ木探索を用いた強化学習パイプラインを提案する。 状態の価値を反復的に学習することにより、与えられた状態に対する値推定器とポリシー生成器をモデル化することができる。
  論文  参考訳（メタデータ） (2024-03-25T22:21:23Z)
• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では、州全体での駐車場利用を予測するために、Reg-TCN(Reg-TCN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• PlanT: Explainable Planning Transformers via Object-Level Representations [64.93938686101309]
  PlanTは、自動運転のコンテキストにおける計画のための新しいアプローチである。 PlanTは、コンパクトなオブジェクトレベルの入力表現を持つ模倣学習に基づいている。 この結果から,PlanTは幾何学的に距離をおいても,現場で最も関連性の高い物体に焦点を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:59:46Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。