지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2017.9
- 수록면
- 297 - 305 (9page)
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
As the development of autonomous vehicles becomes realistic, many automobile manufacturers and components producers aim to develop ‘completely autonomous driving’. ADAS (Advanced Driver Assistance Systems) which has been applied in automobile recently, supports the driver in controlling lane maintenance, speed and direction in a single lane based on limited road environment. Although technologies of obstacles avoidance on the obstacle environment have been developed, they concentrates on simple obstacle avoidances, not considering the control of the actual vehicle in the real situation which makes drivers feel unsafe from the sudden change of the wheel and the speed of the vehicle. In order to develop the ‘completely autonomous driving’ automobile which perceives the surrounding environment by itself and operates, ability of the vehicle should be enhanced in a way human driver does. In this sense, this paper intends to establish a strategy with which autonomous vehicles behave human-friendly based on vehicle dynamics through the reinforcement learning that is based on Q-learning, a type of machine learning. The obstacle avoidance reinforcement learning proceeded in 5 simulations. The reward rule has been set in the experiment so that the car can learn by itself with recurring events, allowing the experiment to have the similar environment to the one when humans drive. Driving Simulator has been used to verify results of the reinforcement learning. The ultimate goal of this study is to enable autonomous vehicles avoid obstacles in a human-friendly way when obstacles appear in their sight, using controlling methods that have previously been learned in various conditions through the reinforcement learning.
목차
Abstract
1. 서론
2. 자율주행 제어 전략
3. 장애물 환경에 대한 강화학습
4. 결론
References
참고문헌 (12)
참고문헌 신청
NHTSA (National Highway Traffic Safety Administration), Federal Automated Vehicles Policy, [Online], https://one.nhtsa.gov/nhtsa/av/av-policy.html, Accessed: December 12, 2016.
L.A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338-353, Jun, 1965.
R.B. Tilove, “Local obstacle avoidance for mobile robots based on the method of artificial potentials,” in IEEE International Conference on Robotics and Automation, Ohio, USA, pp. 566-571, 1990.
A.E. Eiben, P-E. Raue, and Zs. Ruttkay, “Genetic algorithms with multi-parent recombination,” in International Conference on Evolutionary Computation the Third Conference on Parallel Problem Solving from Nature, Jerusalem, Israel, pp. 78-87, 1994.
R. Malhotra, A. Sarkar, “Development of a fuzzy logic based mobile robot for dynamic obstacle avoidance and goal acquisition in an unstructured environment,” in IEEE/ASME International Conference on Advanced Intelligent Mechatronics, California, USA, pp. 1198-1203, 2005.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
자율주행로봇의 장애물 회피에서 강화학습 파라미터의 영향
한국생산제조학회 학술발표대회 논문집
2020 .12
-
강화학습 기반 지역경로 생성을 통한 실시간 장애물 회피 차량 제어 기법
제어로봇시스템학회 국내학술대회 논문집
2020 .07
-
Obstacle avoidance for UAV using deep reinforcement learning
제어로봇시스템학회 국내학술대회 논문집
2019 .05
-
An Autonomous Agent using Reinforcement Learning with the Ability of Avoiding Obstacles
대한기계학회 춘추학술대회
2016 .12
-
장애물 회피 조작을 위한 차량 동역학 기반 강화학습 플랫폼 개발
한국자동차공학회 춘계학술대회
2019 .05
-
End-to-End 학습 기반의 장애물 회피 주행 연구
제어로봇시스템학회 국내학술대회 논문집
2024 .07
-
Dynamic Obstacle Avoidance using Deep Reinforcement Learning Network for Autonomous UAV
한국항공우주학회 학술발표회 초록집
2019 .11
-
Goal-Oriented Navigation with Avoiding Obstacle based on Deep Reinforcement Learning in Continuous Action Space
제어로봇시스템학회 국제학술대회 논문집
2021 .10
-
단안 카메라를 이용한 주차장 환경에서의 동적 장애물 회피
한국자동차공학회 춘계학술대회
2023 .05
-
VO이론에서의 동적 장애물의 형상을 고려한 회피 알고리즘 개발
한국정밀공학회 학술발표대회 논문집
2015 .12
-
신경망을 이용한 차량의 자율주행 전략 생성
대한전자공학회 학술대회
2017 .06
-
Integrating Control Barrier Function and Residual Learning for Safe High-Speed Obstacle Avoidance in Autonomous Vehicle
한국자동차공학회 춘계학술대회
2024 .06
-
Q-learning을 이용한 모바일 로봇의 동적 장애물 회피 및 최적 경로 탐색 알고리즘
한국정보기술학회논문지
2017 .09
-
강화학습에 기반한 깊이 이미지 활용 실내 무인기 동적 장애물 회피
한국항공우주학회 학술발표회 초록집
2022 .11
-
심층 큐 네트워크 기반 장애물 회피에 관한 연구
한국자동차공학회 춘계학술대회
2018 .06
-
Indoor Path Planning for an Unmanned Aerial Vehicle via Curriculum Learning
제어로봇시스템학회 국제학술대회 논문집
2021 .10
-
가상 환경에서의 강화학습 기반 긴급 회피 조향 제어
드라이브·컨트롤
2022 .12
-
Autonomous Exploration and Obstacle avoidance of Artificial Ground agents using SLAM and Reinforcement Learning
항공우주시스템공학회 학술행사 논문집
2017 .04
-
관측정보에 따른 정적 장애물 환경에서의 시뮬레이션 결과 비교
대한기계학회 춘추학술대회
2022 .11
-
적외선 센서와 전방 영상 정보를 이용한 실내 자율주행 무인 비행체의 장애물 회피 방법
제어로봇시스템학회 논문지
2017 .09
이 논문의 저자 정보
이 논문과 함께 이용한 논문
심층 강화학습용 ML-Agents를 이용한 자율주행 모바일 로봇 탐색
김진
,
정회룡
대한기계학회 춘추학술대회
2022
.11
자율주행 자동차의 스키드 조향 방법 기반 차선 변경을 위한 적응형 망각 인자를 이용하는 슬라이딩 모드 휠 속도 제어 알고리즘
김학주
,
오광석
한국자동차공학회논문집
2022
.10
도심 자율주행을 위한 LiDAR 기반 실시간 객체 거동 예측
정지은
,
기석철
한국자동차공학회논문집
2022
.07
[응용논문] 차량의 제동 요 안정성 향상을 위한 4륜 독립 조향 시스템의 비선형 모델 예측 제어 기반 간접 자가 동조 적분 제어 알고리즘
장문정
,
오광석
한국자동차공학회논문집
2022
.07
강화학습 알고리즘을 이용한 초소형 전기자동차 현가장치의 제어 알고리즘 설계
김영준
,
홍석무
,
오종석
한국소음진동공학회논문집
2022
.04
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-559-001256982