earticle

영어

This paper proposes an optimal path planning algorithm designed to support effective path planning in challenging parking environments using reinforcement learning to derive efficient sub-goals. Although simple path planning algorithms can generate optimal paths in spacious parking environments with few obstacles, it becomes challenging to ensure optimal paths in complex and narrow environments because of the nonholonomic system of vehicles. The paper addresses this issue by suggesting sub-goals that can serve as key points for optimal paths. Sub-goals minimize unnecessary searches; and guide the path towards the optimal solution. Sub-goal were derived through reinforcement learning and used as heuristic cost criteria in the Hybrid A* algorithm to maximize computational efficiency and path quality. This approach overcomes the inefficiencies of conventional heuristic cost and facilitates effective explorations of the key points in the optimal path.

한국어

본 연구는 고난도 주차 환경에서 효과적인 경로계획을 지원하기 위해 강화학습을 활용한 효율적 중간 목표 도출을 통한 최적의 경로계획 알고리즘을 제안한다. 주차 공간이 넓고 장애 물이 적은 경우, 단순한 경로계획 알고리즘으로도 최적의 경로를 생성할 수 있다. 하지만 차량 의 논홀로노믹 시스템으로 인해 복잡하고 좁은 환경에서는 장애물 등으로 인해 최적 경로를 보장하기 어렵다. 이를 해결하기 위해, 불필요한 탐색을 최소화하고 최적 경로로의 탐색을 유 도하는 중간 목표를 제안한다. 중간 목표는 하이브리드 A* 알고리즘의 휴리스틱 비용 계산의 기준점으로 활용되며, 강화학습을 통해 주차 환경에서 연산 효율성과 경로 품질을 극대화할 수 있는 지점으로 도출된다. 이러한 접근은 기존 휴리스틱 비용 산정의 비효율성을 극복하고, 최적 경로의 주요 지점을 효과적으로 탐색할 수 있도록 한다.