כתבה
arXiv cs.AI ·
פיתוח נסיעות אופטימליות: SE-LLM-OCP לאחסון פארקינג במרחבים צרים
From Semantic Decisions to Feasible Trajectories: Self-Evolving LLM-Guided Optimal Control for Narrow-Space Parking
אוטונומי פארקינג במרחבים צרים: SE-LLM-OCP משלב LLM ואופטימיזציה לפיתוח נסיעות אופטימליות. המאמר עוסק בפיתוח נסיעות אופטימליות לאחסון פארקינג במרחבים צרים. SE-LLM-OCP משלב LLM ואופטימיזציה לפיתוח נסיעות אופטימליות. המאמר מציג פרקטיקה חדשה לפיתוח נסיעות אופטימליות. SE-LLM-OCP יכול לשמש ככלי לפיתוח נסיעות אופטימליות לאחסון פארקינג במרחבים צרים.
תקציר מקורי באנגליתarXiv:2609.24631v2 Announce Type: replace-cross Abstract: Autonomous parking in nonconvex and narrow environments remains challenging. Although optimal-control methods can explicitly enforce vehicle dynamics and collision constraints, nonconvexity compromises solver robustness and can cause failures. Large language models (LLMs) exhibit strong semantic reasoning capabilities, but directly generating dense trajectories makes it difficult to guarantee physical feasibility. We introduce SE-LLM-OCP, a unified framework in which LLMs make high-level discrete maneuver decisions, while an optimal-control module enforces low-level vehicle dynamics and collision constraints. Online, the LLM proposes sparse maneuver plans, decomposing the parking task into a sequence of short-horizon trajectory-opti
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית