Informative Path Planning of Autonomous Vehicle for Parking Occupancy Estimation

要約

駐車場の占有率の推定は、駐車場リソースの管理を容易にし、交通渋滞を緩和する上で大きな可能性を秘めています。
既存のアプローチでは、ロボット システムを使用して個々の駐車スペースの占有状況を検出し、主に認識パイプラインを通じて検出精度を向上させることに焦点を当てています。
ただし、これらの方法ではロボットの経路計画の重要な側面が見落とされることが多く、駐車エリア全体の正確な推定が妨げられる可能性があります。
これらの制限を考慮して、自動運転車を使用した駐車占有率推定のための有益な経路計画の問題を導入し、それを部分的に観察可能なマルコフ決定プロセス (POMDP) タスクとして定式化します。
次に、占有状態遷移モデルを開発し、ノイズの多いセンサー測定に基づいて占有を推定するためのベイズ フィルターを導入します。
続いて、漸進的拡大を利用して有益なパスを生成する、計算効率の高いアルゴリズムであるモンテカルロ ベイズ フィルター ツリーを提案します。
提案されたアプローチがさまざまなシミュレーション環境でベンチマーク手法を上回り、最適性と計算効率のバランスが効果的に取れていることを実証します。

要約(オリジナル)

Parking occupancy estimation holds significant potential in facilitating parking resource management and mitigating traffic congestion. Existing approaches employ robotic systems to detect the occupancy status of individual parking spaces and primarily focus on enhancing detection accuracy through perception pipelines. However, these methods often overlook the crucial aspect of robot path planning, which can hinder the accurate estimation of the entire parking area. In light of these limitations, we introduce the problem of informative path planning for parking occupancy estimation using autonomous vehicles and formulate it as a Partially Observable Markov Decision Process (POMDP) task. Then, we develop an occupancy state transition model and introduce a Bayes filter to estimate occupancy based on noisy sensor measurements. Subsequently, we propose the Monte Carlo Bayes Filter Tree, a computationally efficient algorithm that leverages progressive widening to generate informative paths. We demonstrate that the proposed approach outperforms the benchmark methods in diverse simulation environments, effectively striking a balance between optimality and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google