Trajectory Optimization for Autonomous Highway Driving Using Quintic Splines
Notice bibliographique
Résumé
This paper introduces a robust and efficient Localized Spline-based Path-Planning (LSPP) algorithm designed to enhance autonomous vehicle navigation on highways. The LSPP approach prioritizes smooth maneuvering, obstacle avoidance, passenger comfort, and adherence to road constraints, including lane boundaries, through optimized trajectory generation using quintic spline functions and a dynamic speed profile. Leveraging real-time data from the vehicle’s sensor fusion module, the LSPP algorithm accurately interprets the positions of surrounding vehicles and obstacles, creating a safe, dynamically feasible path that is relayed to the Model Predictive Control (MPC) track-following module for precise execution. The theoretical distinction of LSPP lies in its modular integration of: (1) a finite state machine (FSM)-based decision-making layer that selects maneuver-specific goal states (e.g., keep lane, change lane left/right); (2) quintic spline optimization to generate smooth, jerk-minimized, and kinematically consistent trajectories; (3) a multi-objective cost evaluation framework that ranks competing paths according to safety, comfort, and efficiency; and (4) a closed-loop MPC controller to ensure real-time trajectory execution with robustness. Extensive simulations conducted in diverse highway scenarios and traffic conditions demonstrate LSPP’s effectiveness in delivering smooth, safe, and computationally efficient trajectories. Results show consistent improvements in lane-keeping accuracy, collision avoidance, enhanced materials wear performance, and planning responsiveness compared to traditional path-planning methods. These findings confirm LSPP’s potential as a practical and high-performance solution for autonomous highway driving.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».