Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

5.2 State Space 49
Vergleicht man die Erreichbarkeitsbäume (engl. reachability tree) der State Lattice mit Adaptive
Search Space, so fällt beim State Lattice direkt die Homogenität des Baumes auf, der sich ständig
wiederholt und Punkte über mehrere Möglichkeiten angefahren werden können. Bei Adaptive Search
Space entstehen sehr viele eng verstreute Konfigurationen, die alle individuell angefahren werden
müssen, so dass Wiederholungen nicht ausgenutzt werden (Abb. 5.6).
5.2.2 ONLINE SAMPLING
Dieses Verfahren wird angewandt, um die Motion Primitiven an die gegebene Umgebung anzupassen.
Da die Umgebung stark variabel sein kann, wie z. B. Fahren auf einer Landstrasse, die beliebig
komplex werden kann, ist das vorangegangene Beispiel mit State Lattices nicht ideal, da man nur
diskrete Raumpunkte anfährt. Auch das Adaptive Search Space liefert aus einer Vielzahl an Möglichkeiten
nur eine sinnvolle, wo der Rest von der Bahn führt und somit nicht zu gebrauchen ist. Da aber
die Fahrbahn beliebig breit sein kann und auch mehrere Spuren haben kann, können nur Primitiven
berechnet werden, die auf der Fahrbahn in Fahrtrichtung bleiben.
(Abb. 5.7): Vergleich Control Space Sampling mit Online State Space Sampling. Quelle: Howard et al. 2008
[14]