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