Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

50 Sampling
Dieses Verfahren wurde im Paper (Howard et al. 2008 [14]) aufgezeigt. Man erkennt, dass das
Control Space nur mit wenigen Primitiven auf dem Weg bleiben würde, wo sogar die meisten spätestens
im nächsten Schritt von der Fahrbahn abkommen würden (Abb. 5.7). Das Online State Space
Sampling liefert aber nur gültige Primitiven, die alle auf der Fahrbahn bleiben und auch deren Folgekkonfigurationen
gültig wären. Da diese Primitiven meist zur Laufzeit berechnen werden müssen,
empfiehlt es sich schnell berechenbare Motion Primitiven zu benutzen, oder auch die Anzahl der
Kinderprimitiven einzugrenzen auf Fahrspurhalten oder -wechseln.
Dieses Verfahren eignet sich natürlich eher für Gebiete, deren Umgebung und Fahrbahnen bekannt
sind. Da aber die Umgebung im Rahmen dieser Arbeit auf statische Umgebungen ohne Fahrspuren
ausgelegt ist, wurde dieses Verfahren nicht implementiert und getestet.
5.3 ERGEBNISSE UND EVALUATION
Alle Samplingmethoden haben ihre Vor- und Nachteile. Als größter Vorteil des State Space Sampling
sei die Homogenität in den Erreichbarkeitsbäumen zu benennen, aufgrund derer die Suche reduziert
und vereinfacht werden kann (vgl. folgendes Szenario Abb. 5.8). Diese sind auch für eine dynamische
Umgebung vorteilhaft, weil so schneller umgeplant werden kann, denn es muss nur auf den bereits
gefundenen Pfad zurückgefunden werden und der restliche Weg bleibt gleich. Aufgrund der diskreten
Anfahrtspunkte des State Space Samplings sehen die entstandenen Pfade meist nicht aus wie ein
Mensch fahren würde, denn es sieht teilweise so aus, als versuche das autonome Fahrzeug sich an
den Eckpunkten eines gedachten Grids zu halten.
(a) State Space Sampling.
(b) Adaptive Space Sampling.
(Abb. 5.8): Szenario für die Evaluation der Samplingmethoden. Beide Verfahren haben 5
Nachfolgekonfigurationen und die Länge der Primitiven beträgt etwa 3 bis 4 Meter.