MP-RBFN：動径基底関数ネットワークによる車両モーションプリミティブの学習
MP-RBFN: Learning-based Vehicle Motion Primitives using Radial Basis Function Networks
最適制御から得られる車両の運動プリミティブをRBFネットワークで効率的に学習し、従来の半解析手法より7倍高精度かつ低推論時間で生成する手法を提案した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Marc Kaufeld, Mattia Piccinini, Johannes Betz
分類: cs.RO
原文アブストラクト
This research introduces MP-RBFN, a novel formulation leveraging Radial Basis Function Networks for efficiently learning Motion Primitives derived from optimal control problems for autonomous driving. While traditional motion planning approaches based on optimization are highly accurate, they are often computationally prohibitive. In contrast, sampling-based methods demonstrate high performance but impose constraints on the geometric shape of trajectories. MP-RBFN combines the strengths of both by coupling the high-fidelity trajectory generation of sampling-based methods with an accurate description of vehicle dynamics. Empirical results show compelling performance compared to previous methods, achieving a precise description of motion primitives at low inference times. MP-RBFN yields a seven times higher accuracy in generating optimized motion primitives compared to existing semi-analytic approaches. We demonstrate the practical applicability of MP-RBFN for motion planning by integrating the method into a sampling-based trajectory planner. MP-RBFN is available as open-source software at https://github.com/TUM-AVS/RBFN-Motion-Primitives.
関連論文
- 自動運転の倫理における視点の考慮：車両運動計画における集合的リスク自動運転/運動計画
- 安全強化学習でMPCを強化：自動運転の運動計画におけるSRMPC自動運転/運動計画
- サンプリングを学習する：強化学習ガイドによる自動運転の運動計画自動運転/運動計画
- ゲーム理論を用いた探索ベースの自動運転車両の運動計画自動運転/運動計画
- FocalAD: 局所運動計画によるエンドツーエンド自動運転自動運転/運動計画
- LiloDriver: ロングテール自動運転シーンにおける閉ループ運動計画のための生涯学習フレームワーク自動運転/運動計画
