TriPField: A 3D Potential Field Model and Its Applications to Local Path Planning of Autonomous Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Potential fields have been integrated with local path-planning algorithms for autonomous vehicles (AVs) to tackle challenging scenarios with dense and dynamic obstacles. Most existing potential fields are isotropic without considering the traffic agent’s geometric shape and could cause failures due to local minima. We propose a three-dimensional potential field (TriPField) model to overcome this drawback by integrating an ellipsoid potential field with a Gaussian velocity field (GVF). Specifically, we model the surrounding vehicles as ellipsoids in corresponding ellipsoidal coordinates, where the formulated Laplace equation is solved with boundary conditions. Meanwhile, we develop a nonparametric GVF to capture the multi-vehicle interactions and then plan the AV’s velocity profiles, reducing the path search space and improving computing efficiency. Finally, a local path-planning framework with our TriPField is developed by integrating model predictive control to consider the constraints of vehicle kinematics. Our proposed approach is verified in three typical scenarios, i.e., active lane change, on-ramp merging, and car following. Experimental results show that our TriPField-based planner obtains a shorter, smoother local path with a slight jerk during control, especially in the scenarios with dense traffic flow, compared with traditional potential field-based planners. Our proposed TriPField-based planner can perform emergent obstacle avoidance for AVs with a high success rate even when the surrounding vehicles behave abnormally.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle