Neural parametric trajectory optimization for articulated vehicle parking under structural constraints

다국어 초록 (Multilingual Abstract)

Parking an articulated truck–trailer requires generating maneuvering trajectories that satisfy strong nonholonomic constraints, alternating forward–reverse motions, and rapidly varying turning radii induced by articulation. Conventional geometric planners and sampling-based methods struggle to represent these behaviors, while Reeds–Shepp (RS) paths provide only a high-level motion pattern that ignores articulated vehicle dynamics and lacks obstacle-awareness. To address these limitations, this paper proposes a Neural Trajectory Optimization (NTO) framework that refines an RS-initialized control sequence through differentiable articulated-vehicle dynamics and obstacle-based costs. The proposed method employs a neural network to generate incremental adjustments to the initial control sequence over the entire horizon, and the resulting trajectory is optimized via gradient descent using the final state of control signal integration with vehicle model. By preserving the structural guidance of RS motion primitives while enabling continuous adaptation, NTO effectively balances maneuver structure and feasibility. Experimental evaluations conducted in structured parking-lot scenarios demonstrate that the proposed framework consistently improves collision avoidance and articulation stability compared to RRT* baselines. In particular, NTO successfully generates complex reverse and T-shaped parking maneuvers that pose significant challenges for classical planners. The results demonstrate that combining RS structural priors with neural refinement yields a promising alternative to purely search-based or end-to-end learning approaches for articulated-vehicle parking.

국문 초록 (Abstract)

굴절 차량의 주차 경로 생성 문제는 비선형 비홀로노믹 제약, 전진–후진 기어 전환, 그리고 굴절각 변화에 따른 급격한 회전반경 변동을 동시에 만족해야 하는 복잡한 특성을 지닌다. 기존의 기하학적 기법이나 샘플링 기반 방법은 이러한 동작 특성을 충분히 반영하지 못하며, Reeds–Shepp(RS) 경로 또한 굴절 차량의 동역학을 고려하지 않고 장애물 회피 기능이 없는 모션 패턴 기반 경로를 제공한다. 이러한 한계를 해결하기 위해 본 연구는 RS 경로로 초기화된 제어 시퀀스를 신경망 기반 비선형 최적화를 통해 정교화하는 Neural Trajectory Optimization(NTO) 프레임워크를 제안한다. 제안된 방법은 전체 지평선에 걸쳐 초기 제어 시퀀스에 대한 미세 조정값을 신경망이 생성하도록 하고, 차량 동역학 모델을 통한 제어 입력 적분 결과를 이용하여 경사 하강법으로 비용을 최소화하는 방식으로 최적화를 수행한다. 이 방식은 RS 모션 패턴의 구조를 유지하면서도 연속적인 적응을 가능하게 하여, 경로 구조와 동역학적 실현 가능성 간 조화를 달성한다.
구조화된 주차장 환경에서의 실험 결과, 제안된 프레임워크는 RRT* 대비 충돌 회피, 최종 자세 정확도, 굴절각 안정성 측면에서 일관된 성능 향상을 보였다. 특히 기존 기법에서 처리하기 어려운 복잡한 후진 및 T자형 주차 시나리오에서도 성공적인 경로 생성을 달성하였다. 이러한 결과는 RS 기반 구조적 사전지식과 신경망 기반 연속 최적화를 결합하는 접근이 굴절 차량 주차 문제에서 기존 탐색 기반 기법이나 순수 신경망 기반 방법론을 대체할 수 있는 유효한 대안임을 보여준다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Previous Research on Autonomous Parking 7
• 1.1.1 Conventional Methods 7
• 1.1.2 Deep Learning-based Methods 9
• 1.2 Contribution of this Work 12
• Chapter 2. Parking Path Planning Procedure 13
• 2.1 Overall System Architecture 13
• 2.2 Articulated Vehicle Kinematics 15
• 2.3 Reeds-Shepp Path Initialization 17
• 2.4 Path Tracking Control 19
• 2.5 Neural Trajectory Optimizer 21
• 2.5.1 Model Definition 22
• 2.5.2 Loss Function 24
• 2.5.3 Gradient Descent 26
• 2.5.4 Optimality and Continuity of Model Output 27
• Chapter 3. Qualitative and Quantitative Path Optimization Analysis 30
• 3.1 Parking Environment Setup 30
• 3.2 Test Scenario: Easy Case 33
• 3.3 Test Scenario: Hard Case 35
• 3.4 Quantitative Comparison with RRT* 37
• 3.5 Qualitative Comparison with RRT* 41
• 3.5.1 Analysis of NTO Failure Scenarios 42
• 3.5.2 Control Feasibility Analysis 45
• 3.6 Limitations 47
• 3.6.1 RS Initialization 47
• 3.6.2 Model architecture 47
• Chapter 4. Conclusion 48
• References 50
• Appendix 54
• A: RRT* Path Planner 54