[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Comparaison des algorithmes de planification de trajectoire pour la navigation de véhicules autonomes à l'aide de données LiDAR satellitaires et aéroportées

Created by
  • Haebom

Auteur

Chang Liu, Zhexiong Xue, Tamas Sziranyi

Contour

Cet article compare et évalue les principaux algorithmes de planification de trajectoire appliqués aux réseaux routiers pondérés au niveau du pixel, dérivés d'images satellite haute résolution et de données LiDAR aéroportées. Nous menons des expériences sur la navigation sur cartes routières 2D (A*, Dijkstra, RRT* et un algorithme amélioré d'optimisation des colonies de fourmis (NIACO)) et la planification de trajectoire sur cartes routières 3D (3D A*, 3D Dijkstra, RRT-Connect, NIACO) en utilisant les données satellite DeepGlobe et les données LiDAR aéroportées Hamilton. En utilisant le coût du trajet, le temps de calcul et la consommation de mémoire comme mesures d'évaluation, nous montrons que l'algorithme de Dijkstra est le plus stable et le plus efficace dans les environnements 2D et 3D. En particulier, il excelle sur les cartes routières géospatiales denses au niveau du pixel.

Takeaways, Limitations

Takeaways : Démontrer la fiabilité de la planification d'itinéraire basée sur Dijkstra pour la navigation en terrain statique et jeter les bases de futures recherches sur la planification d'itinéraire dynamique sous des contraintes environnementales complexes. L'efficacité de l'algorithme de Dijkstra est vérifiée sur des cartes routières géospatiales denses au niveau des pixels.
Limitations: Cette étude se concentre uniquement sur les environnements de terrain statiques et ne prend pas en compte les obstacles dynamiques ni les conditions environnementales changeantes. Des recherches supplémentaires sont nécessaires sur différents types de terrain ou des réseaux routiers plus complexes. Les limites de l'ensemble de données utilisé dans l'expérience pourraient limiter la généralisation.
👍