메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
최범성 (한양대학교) 최승원 (한양대학교) 류재언 (한양대학교) 허건수 (한양대학교)
저널정보
한국자동차공학회 한국자동차공학회 추계학술대회 및 전시회 2022년 한국자동차공학회 추계학술대회 및 전시회
발행연도
2022.11
수록면
851 - 854 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
As autonomous driving technology has recently expanded and increased, the need for a path planning technology considering interaction with surrounding agents is increasing. In addition, Multi-Agent path planning is essential when a large number of autonomous driving mobility drives in a narrow environment. In particular, Multi-Agent path planning requires collision avoidance algorithms for dynamic obstacles. Therefore, in this paper, we propose a decentralized Multi-Agent path planning algorithm considering their interactions with surrounding agents. In global path planning, we use Hybrid A* to allow creating physically feasible paths by considering the kinematic characteristics of mobility. In local path planning, we used Proximal Policy Optimization(PPO), one of the reinforcement learning methods, to learn interactions with surrounding agents. The proposed algorithm is trained and evaluated through Unity ML-Agents. As a result of the simulation, we find that the success rate increases due to fewer collisions with surrounding agents than the traditionally frequently used RRT*-based path planning methods.
#Multi-Agent Path Planning(다중 에이전트 경로 계획) #Hybrid A*(하이브리드 A*) #Reinforcement Learning(강화학습) #Autonomous Driving(자율주행)

목차

Abstract
1. 서론
2. 다중 에이전트 경로 계획 알고리즘
3. 시뮬레이션 결과
4. 결론
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

AWS DeepRacer를 통한 강화학습 자율주행에서 행동 공간 이산화에 따른 성능 비교
윤동건 ,  안성진 ,  김차훈 외 1명 한국자동차공학회 춘계학술대회 2024 .06
LW-RCP를 이용한 실물 시스템에 대한 강화학습 기반의 제어기 개발 환경
이태건 ,  주도윤 ,  이영삼 제어로봇시스템학회 논문지 2023 .07
다중 로봇 기반 무인주차시스템을 위한 강화학습 시뮬레이션 환경 구축
박채훈 ,  이재혁 ,  전상윤 한국자동차공학회 춘계학술대회 2024 .06
모델 기반 강화학습을 활용한 전기자동차의 에너지 최적 주행 제어
김현중 ,  김동민 ,  고수진 외 1명 한국자동차공학회 춘계학술대회 2024 .06
통합적 충돌 회피 및 경감 시스템을 위한 강화학습 기반 경로 계획
임준희 ,  이기범 ,  금동석 한국자동차공학회 춘계학술대회 2023 .05

최근 본 자료

전체보기

댓글(0)

0