← 返回论文列表

N3P: 基于学习的自然三阶段方案加速自动泊车
N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme

作者: Yifan Xue, Toktam Mohammadnejad, Faizan M Tariq 等8人
arXiv: 2605.22722v1
分类: cs.RO, eess.SY
📝 论文摘要
自主泊车需要高效的路径规划，既要确保运动学可行性，又要在受限环境中实现避障。混合A*算法被广泛使用但计算成本高昂，而强化学习方法虽然可行但缺乏可靠性，且难以应对长时域几何约束，导致轨迹次优。本文提出N3P——一种基于学习的快速三阶段自动泊车框架。通过引入中间准备位姿并利用学习模块预测该位姿，N3P将操作分解为更简单的子问题，从而降低计算复杂度并加速路径生成。我们通过与混合A*算法集成来验证该框架。在垂直泊车和平行泊车场景中的实验表明，N3P增强的混合A*算法将规划速度提升超过80%。与强化学习基线相比，该方法在成功率和轨迹质量上表现更优，生成的轨迹更短、换挡次数更少，同时在多数情况下实现相当或更短的规划时间。

📊 核心分析

🎯 研究动机
- 现有**Hybrid A** *算法计算开销大，难以满足实时泊车需求 - **强化学习(reinforcement learning, RL)** 方法缺乏可靠性，在长时序几何约束下容易生成次优轨迹 - 研究背景：**自主泊车(autonomous parking)** 需要在受限环境中实现高效、运动学可行且无碰撞的路径规划
🔧 核心方法
- 提出**N3P框架**，一个基于学习的**三阶段自然主义方案(three-stage naturalistic scheme)** - 引入**中间准备姿态(intermediate preparatory pose)**，通过**学习模块(learning module)** 预测该姿态，将泊车操作分解为更简单的子问题 - 将N3P与**Hybrid A** *算法集成，利用分解策略降低计算复杂度，加速路径生成
💡 核心创新
- **分解式三阶段设计**：首次将泊车问题拆解为三个阶段（准备姿态前、准备姿态后、最终泊入），利用学习模型预测关键中间状态 - **高效加速**：与Hybrid A*集成后，在垂直和平行泊车场景中规划速度提升超过**80%** - **轨迹质量提升**：相比RL基线，生成更短轨迹和更少换挡次数，成功率和轨迹质量显著更优，且规划时间相当或更低
🏆 总体贡献
- 为**自主泊车** 领域提供了一种快速、可靠的**学习驱动三阶段规划范式** - 实验证明该方法在**垂直泊车** 和**平行泊车** 基准上实现了超过80%的加速，同时保持高成功率 - 提出可集成到现有Hybrid A*框架的轻量化增强方案，易于实际部署与推广