Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.2 State Space 49<br />
Vergleicht man die Erreichbarkeitsbäume (engl. reachability tree) der State Lattice mit Adaptive<br />
Search Space, so fällt beim State Lattice direkt die Homogenität des Baumes auf, der sich ständig<br />
wiederholt und Punkte über mehrere Möglichkeiten angefahren werden können. Bei Adaptive Search<br />
Space entstehen sehr viele eng verstreute Konfigurationen, die alle individuell angefahren werden<br />
müssen, so dass Wiederholungen nicht ausgenutzt werden (Abb. 5.6).<br />
5.2.2 ONLINE SAMPLING<br />
Dieses Verfahren wird angewandt, um die Motion Primitiven an die gegebene Umgebung anzupassen.<br />
Da die Umgebung stark variabel s<strong>ein</strong> kann, wie z. B. Fahren auf <strong>ein</strong>er Landstrasse, die beliebig<br />
komplex werden kann, ist das vorangegangene Beispiel mit State Lattices nicht ideal, da man nur<br />
diskrete Raumpunkte anfährt. Auch das Adaptive Search Space liefert aus <strong>ein</strong>er Vielzahl an Möglichkeiten<br />
nur <strong>ein</strong>e sinnvolle, wo der Rest von der Bahn führt und somit nicht zu gebrauchen ist. Da aber<br />
die Fahrbahn beliebig breit s<strong>ein</strong> kann und auch mehrere Spuren haben kann, können nur Primitiven<br />
berechnet werden, die auf der Fahrbahn in Fahrtrichtung bleiben.<br />
(Abb. 5.7): Vergleich Control Space Sampling mit Online State Space Sampling. Quelle: Howard et al. 2008<br />
[14]