Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

Weitere Magazine

Empfehlungen

Info

28 Entwickeltes Framework Environment: Das Environment beinhaltet die erkannten Objekte in der Umgebung (Kapitel 2.2) als Grid, oder die statischen Objekte, die mithilfe des Objekteditors als Polygone erstellt wurden. Auf diesen wird später die Kollisionserkennung (Kapitel: 2.3) stattfinden. Start Pose & Goal Pose: Die Start Pose (grün mit Dreieck) und die Goal Pose (orange mit Dreieck) stellen Konfigurationen dar, die in der 3D-Ansicht verschoben und rotiert werden können. Auf diese kann in den Algorithmen zugegriffen werden, um diese als Suchpunkte zu benutzen. Search Algorithm: Dieser stellt das Herzstück der Bahnplanung dar und beinhaltet den Algorithmus, mit dem von einer Start Pose zu einer Goal Pose gesucht wird, dabei operiert der Algorithmus auf dem Search Graphen, der zur Laufzeit aufgebaut wird. Mithilfe der Kollisionserkennung, die auf dem Environment arbeitet, werden Pfade durch Hindernisse ausgeschlossen. Verschiedene Algorithmen und deren Optimierungsmöglichkeiten werden in Suchalgorithmen (Kapitel 6) betrachtet. Path: Ist eine Liste von Motion Primitiven und das gesuchte Ergebnis der Bahnplanung. 3.1 GAPHISCHE PROGRAMMIERUNG Zum Testen der Algorithmen und um die Parametrisierbarkeit derer zu gewährleisten, wurde ein graphisches Programmierwerkzeug implementiert. Dabei können mehrere Algorithmen graphisch per Drag & Drop miteinander verbunden werden und deren Parameter angepasst werden. Dadurch entsteht ein mächtiges Werkzeug, welches es erlaubt die Algorithmen auszuprobieren und auch mehrere miteinander zu kombinieren. Abbildung (Abb. 3.2) zeigt ein Screenshot des entwickelten graphischen Werkzeugs. Dabei kann oben links die Art der Elemente ausgewählt werden, unten links ist die Liste dieser Elemente aufgeführt und rechts die Kombinationskette der Algorithmen. Elemente aus der linken Spalte können per Drag & Drop in das rechte Fenster geschoben werden und miteinander verbunden werden. Mit der rechten Maustaste öffnet sich das Parameterfenster, wo man die Einstellungen für das Element ändern kann (Abb. 3.3). (Abb. 3.2): Entwickeltes Framework.
3.2 Vehicle Parameters 29 (a) State Lattice (b) Adaptive Search Space (Abb. 3.3): Parameter verschiedener Elemente. 3.2 VEHICLE PARAMETERS Die Vehicle Parameters bieten die Möglichkeit die physikalischen und geometrischen Größen des Fahrzeugs einzugeben, so dass die Bahnplanung für alle Fahrzeuge und ihre spezifischen kinematischen Eigenschaften einen Weg planen kann (Abb. 3.4). (Abb. 3.4): Vehicle Parameters.
Seite 1: Fakultät II - Informatik, Wirtscha
Seite 5 und 6: III INHALT 1 Einleitung 1 1.1 Motiv
Seite 7 und 8: 1 1 EINLEITUNG Zunächst wird das T
Seite 9 und 10: 1.4 Verfügbares System 3 1.4 VERF
Seite 11 und 12: 5 2 GRUNDLAGEN Der Teil „Ackerman
Seite 13 und 14: 2.1 Ackermann Modell 7 Die Orientie
Seite 15 und 16: 2.2 Objekterkennung 9 Beim Messen a
Seite 17 und 18: 2.3 Kollisionserkennung 11 2.3 KOLL
Seite 19 und 20: 2.3 Kollisionserkennung 13 Sei das
Seite 21 und 22: 2.3 Kollisionserkennung 15 Berechnu
Seite 23 und 24: 2.3 Kollisionserkennung 17 2.3.3 SC
Seite 25 und 26: 2.4 Regelung 19 2.4 REGELUNG Die Re
Seite 27 und 28: 2.4 Regelung 21 (a) Kreisbahn (b) G
Seite 29 und 30: 2.4 Regelung 23 a = v t ≈ 1.4 m s
Seite 31 und 32: 2.4 Regelung 25 In einem Simulation
Seite 33: 27 3 ENTWICKELTES FRAMEWORK Die Abb
Seite 37 und 38: 3.3 Statistik 31 (Abb. 3.5): Statis
Seite 39 und 40: 33 4 MOTION PRIMITIVES Eine Motion
Seite 41 und 42: 4.3 Klothoide 35 Konstante Krümmun
Seite 43 und 44: 4.3 Klothoide 37 ∫ l ( ) σt 2 x(
Seite 45 und 46: 4.4 Continuous Steering 39 4.4 CONT
Seite 47 und 48: 4.5 Verbindungen 41 (Abb. 4.7): Gra
Seite 49 und 50: 43 5 SAMPLING Sampling beschäftigt
Seite 51 und 52: 5.1 Control Space 45 S = {M i,j |
Seite 53 und 54: 5.2 State Space 47 Konfiguration de
Seite 55 und 56: 5.2 State Space 49 Vergleicht man d
Seite 57 und 58: 5.3 Ergebnisse und Evaluation 51 St
Seite 59 und 60: 53 6 SUCHALGORITHMEN Bisher wurden
Seite 61 und 62: 6.1 A* 55 A* operiert auf zwei List
Seite 63 und 64: 6.1 A* 57 47 Node otherWay = GetNod
Seite 65 und 66: 6.2 Heuristische Funktion 59 Wo der
Seite 67 und 68: 6.2 Heuristische Funktion 61 A* mit
Seite 69 und 70: 6.2 Heuristische Funktion 63 6.2.4
Seite 71 und 72: 6.2 Heuristische Funktion 65 6.2.5
Seite 73 und 74: 6.2 Heuristische Funktion 67 (a) Eu
Seite 75 und 76: 6.3 Datenstrukturen 69 6.3.1 SKEW H
Seite 77 und 78: 6.3 Datenstrukturen 71 A 1 A.l 5 A.
Seite 79 und 80: 6.3 Datenstrukturen 73 p u b l i c
Seite 81 und 82: 6.3 Datenstrukturen 75 (Abb. 6.17):
Seite 83 und 84: 6.4 Hierarchische Suche 77 (a) Adap
Seite 85 und 86:
6.5 Ergebnisse und Evaluation 79 6.
Seite 87 und 88:
6.5 Ergebnisse und Evaluation 81 An
Seite 89 und 90:
83 7 REEDS SHEPP In den ersten Kapi
Seite 91 und 92:
7.1 Reeds Shepp 85 7.1.1 KONSTRUKTI
Seite 93 und 94:
7.2 Continuous Steering 87 Die Kons
Seite 95 und 96:
7.2 Continuous Steering 89 Somit m
Seite 97 und 98:
91 8 FAZIT UND AUSBLICK Das Bahnpla
Seite 99 und 100:
I GLOSSAR Nachfolgend sind noch ein
Seite 101 und 102:
III ABKÜRZUNGEN ATF DGPS FTF GPS L
Seite 103 und 104:
V ABBILDUNGEN 1.1 Testfahrzeuge. .
Seite 105 und 106:
VII 6.12 Satz des Thales: Alle Wink
Seite 107 und 108:
IX TABELLENVERZEICHNIS 5.1 Messdate
Seite 109 und 110:
XI LITERATUR [1] DEAN, T., AND BODD
Seite 111 und 112:
XIII [32] REEDS, J. A., AND SHEPP,
Seite 113:
VERSICHERUNG Hiermit versichere ich
Alle anzeigen

Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?