인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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.
피인용 0
초록·키워드
This paper proposes PVSR-IQL, an offline reinforcement-learning framework for off-road path tracking under partial observability. Predictive Vehicle State Representation (PVSR) extracts control-relevant vehicle states and a latent representation from histories of observations using state estimation and next-observation prediction. The actor uses measurable observations and PVSR outputs, while the Q and value networks additionally use privileged vehicle and path states during training. This asymmetric structure enables the policy to operate without privileged information during deployment. Closed-loop evaluations were conducted with a mining truck in the CARLA Mine_01 off-road environment. Compared with the baseline IQL method, PVSR-IQL reduced mean lateral error by approximately 34.4% under nominal conditions, 18.7% under initial pose perturbations, and 20.0% and 32.9% under velocity and acceleration observation noise, respectively. For a complex route at an out-of-distribution reference speed of 7 m/s, it reduced the mean lateral error by 52.8%. These results indicate that PVSR improves the lateral path-tracking accuracy and robustness of offline reinforcement learning under varying operating conditions.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
