Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

Weitere Magazine

Empfehlungen

Info

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.
5.3 Ergebnisse und Evaluation 51 State Space Sampling Adaptive Space Sampling Weglänge in [m] 51,45 51,00 Abstand zum Ziel [m] 0,00 0,29 Berechnungszeit [ms] 24 534 Expandierte Knoten 132 796 Knoten auf dem Heap 655 3 975 Knoten in Open Set 119 1 378 Knoten in Closed Set 178 2 577 (Tab. 5.1): Messdaten zu (Abb. 5.8). Anhand der Tabelle (Tab. 5.1) kann man erkennen, dass der gleiche Algorithmus (siehe Kapitel 6) mit Primitiven des State Space Sampling nahezu 20 mal schneller ist, als der Algorithmus mit Adaptive Space Sampling und auch weniger Ressourcen verbraucht. Schaut man sich die vom Suchalgorithmus aufgebauten Erreichbarkeitsbäume an, so erkennt man schnell den Grund für diesen Umstand (Abb. 5.8).
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 und 34: 27 3 ENTWICKELTES FRAMEWORK Die Abb
Seite 35 und 36: 3.2 Vehicle Parameters 29 (a) State
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: 5.2 State Space 49 Vergleicht man d
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 ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?