Research on Reliable and Safe Occupancy Grid Prediction in Underground Parking Lots

要約

科学技術の進歩を背景に、自動運転車技術は学術コミュニティ内で厳しい監視の焦点として浮上しています。
それにもかかわらず、複雑なシナリオをナビゲートする際に、このテクノロジーの安全性と信頼性を保証するという課題は依然として残っています。
自動運転研究のかなりの部分は、都市部の道路や高速道路などの屋外環境でのテストに充てられており、そこでは影響を与える無数の変​​数が細心の注意を払って検査されていますが、地下駐車場のような密閉された屋内空間では、かなりの程度までテストが行​​われてきました。
学術的な議論では無視されています。
この矛盾は、これらの制限された設定が自律ナビゲーション システムにもたらす特有の課題の理解におけるギャップを浮き彫りにします。
この研究は、特に地下駐車場のような見落とされやすい空間での屋内自動運転に取り組んでいます。
CARLA のシミュレーション プラットフォームを使用して、データ収集用に現実的な駐車モデルが作成されます。
次に、占有グリッド ネットワークがこのデータを処理して車両の進路と障害物を予測し、複雑な屋内環境におけるシステムの認識を強化します。
最終的に、この戦略により自動駐車操作の安全性が向上します。
この論文では、モデルの予測機能を綿密に評価し、地下駐車場の状況におけるその有効性を検証しています。
私たちの調査結果は、提案された戦略がこれらの複雑な屋内環境において自動運転車の性能を向上させることに成功していることを裏付けています。
これにより、自律システムに地下空間への適応性が向上し、安全対策と信頼性が強化されます。
この研究は、屋内駐車環境に関する研究不足に対処することにより、将来の進歩と応用への道を開き、極めて重要な基準点として機能します。

要約(オリジナル)

Against the backdrop of advancing science and technology, autonomous vehicle technology has emerged as a focal point of intense scrutiny within the academic community. Nevertheless, the challenge persists in guaranteeing the safety and reliability of this technology when navigating intricate scenarios. While a substantial portion of autonomous driving research is dedicated to testing in open-air environments, such as urban roads and highways, where the myriad variables at play are meticulously examined, enclosed indoor spaces like underground parking lots have, to a significant extent, been overlooked in the scholarly discourse. This discrepancy highlights a gap in derstanding the unique challenges these confined settings pose for autonomous navigation systems. This study tackles indoor autonomous driving, particularly in overlooked spaces like underground parking lots. Using CARLA’s simulation platform, a realistic parking model is created for data gathering. An occupancy grid network then processes this data to predict vehicle paths and obstacles, enhancing the system’s perception in complex indoor environments. Ultimately, this strategy improves safety in autonomous parking operations. The paper meticulously evaluates the model’s predictive capabilities, validating its efficacy in the context of underground parking. Our findings confirm that the proposed strategy successfully enhances autonomous vehicle performance in these complex indoor settings. It equips autonomous systems with improved adaptation to underground lots, reinforcing safety measures and dependability. This work paves the way for future advancements and applications by addressing the research shortfall concerning indoor parking environments, serving as a pivotal reference point.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google