Real-Time Optimization-Based Path Planning for Autonomous Semi-Trailer Trucks*
Notice bibliographique
Résumé
Autonomous semi-trailer trucks have great potential to offer safer and more efficient transportation. Path planning is an important part of autonomous driving, which aims to generate an optimal path for vehicles to avoid collision risks and keep them as centered in the lane as possible. However, achieving an optimal path for semi-trailer trucks is challenging due to the complex kinematics, the large vehicle dimensions and the trade-off between model complexity and real-time capability. In this work, we propose a novel real-time optimization-based path planning method to address these problems. This approach involves modeling the entire tractor-trailer system with positioning of all axles and corners. This detailed model enables more accurate path planning, allowing for full utilization of the drivable space while satisfying all physical constraints. The modeling is approximated and simplified by assuming equal curvature and using the law of cosines, which greatly reduces computation burden with slightly sacrificing modeling accuracy. Then we construct an optimization problem with strict collision avoidance constraints and soft lane centering preferences. This allows the truck's wheels to temporarily exceed the lane boundaries in certain scenarios like tight bends or narrow roads, improving its passing ability. The optimization problem is solved using high-efficient Augmented Lagrange Multiplier method. We demonstrate the performance of the proposed method with simulations and real semi-trailer truck experiments. The results show that the proposed method is efficient and accurate for real-time application. It can significantly improve the vehicle behavior in terms of obstacle avoidance and lane centering.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».