N3P：基于学习的自然三阶段方案实现自动停车加速
机器人学
2026-05-22 v1 系统与控制
系统与控制
摘要
自动停车需要高效的路径规划，以确保受限环境中的运动学可行性和碰撞规避。Hybrid A* 广泛使用但计算昂贵，而强化学习（RL）方法缺乏可靠性，常在长程几何约束方面表现不佳，导致次优轨迹。我们提出了 N3P，一个用于自动停车的快速学习驱动三阶段框架。通过引入中间准备姿态并使用学习模块预测该姿态，N3P 将机械操作分解为更简单的子问题，从而降低计算复杂度并加速路径生成。我们通过将其集成到 Hybrid A* 算法中进行验证。垂直停车和平行停车情境的实验表明，N3P 增强型 Hybrid A* 的规划速度提升超过 80%。它在成功率和轨迹质量方面也超越了 RL 基线，产生更短的轨迹、更少的换挡次数，同时在大多数情况下实现可 comparable 或更低的规划时间。
引用
@article{arxiv.2605.22722,
title = {N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme},
author = {Yifan Xue and Toktam Mohammadnejad and Faizan M Tariq and Sangjae Bae and David Isele and Yosuke Sakamoto and Nadia Figueroa and Jovin D'sa},
journal= {arXiv preprint arXiv:2605.22722},
year = {2026}
}
备注
Accepted at IEEE Intelligent Transportation Systems Conference (ITSC 2026)