iCOIL: Scenario Aware Autonomous Parking Via Integrated Constrained Optimization and Imitation Learning

要約

自動駐車 (AP) は、人間の介入なしにインテリジェント車両を駐車スペースに誘導するための新しい技術です。
数学的最適化または機械学習に基づいた既存の AP メソッドは、過剰な実行時間または一般化の欠如により潜在的な失敗につながる可能性があります。
このギャップを埋めるために、この論文では、効率的で信頼性の高い AP を実現する統合制約付き最適化および模倣学習 (iCOIL) アプローチを提案します。
iCOIL 手法には、CO と IL という 2 つの候補動作モードがあり、ハイブリッド シナリオ分析 (HSA) モデルを採用して、さまざまなシナリオの下でより良いモードを決定します。
iCOIL を Macao Car Racing Metaverse (MoCAM) プラットフォームに実装し、検証します。
結果は、iCOIL が AP 手順全体を通じてさまざまなシナリオに適切に適応し、他のベンチマークよりも大幅に高い成功率を達成していることを示しています。

要約(オリジナル)

Autonomous parking (AP) is an emering technique to navigate an intelligent vehicle to a parking space without any human intervention. Existing AP methods based on mathematical optimization or machine learning may lead to potential failures due to either excessive execution time or lack of generalization. To fill this gap, this paper proposes an integrated constrained optimization and imitation learning (iCOIL) approach to achieve efficient and reliable AP. The iCOIL method has two candidate working modes, i.e., CO and IL, and adopts a hybrid scenario analysis (HSA) model to determine the better mode under various scenarios. We implement and verify iCOIL on the Macao Car Racing Metaverse (MoCAM) platform. Results show that iCOIL properly adapts to different scenarios during the entire AP procedure, and achieves significantly larger success rates than other benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google