iCOIL：通过集成约束优化与模仿学习实现场景感知自主泊车
机器人学
2023-05-24 v1
摘要
自主泊车（AP）是一项无需人工干预即可将智能车辆导航至停车位的新兴技术。现有基于数学优化或机器学习的 AP 方法可能因执行时间过长或缺乏泛化能力而导致潜在失败。为弥补此不足，本文提出一种集成约束优化与模仿学习（iCOIL）的方法，以实现高效可靠的 AP。iCOIL 方法具有 CO 与 IL 两种候选工作模式，并采用混合场景分析（HSA）模型以确定各场景下较优模式。我们在澳门赛车元宇宙（MoCAM）平台上实现并验证了 iCOIL。结果表明，iCOIL 在整体 AP 过程中恰当适应不同场景，且成功率显著高于其他基准方法。
引用
@article{arxiv.2305.13663,
title = {iCOIL: Scenario Aware Autonomous Parking Via Integrated Constrained Optimization and Imitation Learning},
author = {Lexiong Huang and Ruihua Han and Guoliang Li and He Li and Shuai Wang and Yang Wang and Chengzhong Xu},
journal= {arXiv preprint arXiv:2305.13663},
year = {2023}
}
备注
6 pages, 8 figures, IEEE ICDCS Workshops, 2023