一种用于城市环境中类车车辆机动快速路径规划的自监督学习方法
机器人学
2020-03-03 v1 机器学习
摘要
自主类车车辆的高效路径规划器应处理强运动学约束，尤其是在城市交通机动中常见的受限空间内，并且应支持快速规划，因为城市交通场景高度动态。最先进的规划算法以高计算代价处理此类困难情况，常产生非确定性结果。然而，利用在同一或相似环境中获得的过往规划经验，可快速生成可行的局部路径。尽管通过监督训练进行学习在真实交通场景中存在问题，我们在本文中引入一种新颖的基于神经网络的方法用于路径规划，其采用基于梯度的自监督学习算法来预测可行路径。该方法充分利用过往经验，并快速为具有有限转向角的类车车辆生成可行的机动规划。此类方法的有效性已通过计算实验得到证实。
引用
@article{arxiv.2003.00946,
title = {A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment},
author = {Piotr Kicki and Tomasz Gawron and Piotr Skrzypczyński},
journal= {arXiv preprint arXiv:2003.00946},
year = {2020}
}