Robust Auto-parking Reinforcement Learning based Real-time Planning Approach with Domain Template

This  paper  presents  an  automatic  parking  for  a  passenger  vehicle,  with  highlights  on  arobust  real-time  planning  approach  and  on  experimental  results.  We  propose  a  frameworkthat  leverages  the  strength  of  learning-based  approaches  for  robustness  to  environmentsnoise  and  capability  of  dealing  with  challenging  tasks,  and  rule-based  approaches  for  itsversatility  of  handling  normal  tasks,  by  integrating  simple  rules  with  RL  under  a  multi6  stage  architecture,  which  is  inspired  by  typical  auto-parking  template.  By  taking  temporalinformation  into  consideration  with  using  Long  Short  Term  Memory  (LSTM)  network,  ourapproach  could  facilitate  to  learn  a  robust  and  humanoid  parking  strategy  efficiently.  Wepresent  preliminary  results  in  a  high-fidelity  simulator  to  show  our  approach  can  outperforma  geometric  planning  baseline  in  the  robustness  to  environment  noise  and  efficiency  ofplanning.