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.
62 Suchalgorithmen<br />
Euklidischer Abstand Gewicht w = 2 Gewicht w = 10<br />
Weglänge in [m] 21,21 22,30 23,30<br />
Abstand zum Ziel [m] 0,45 0,88 0,93<br />
Berechnungszeit [ms] 287 717 26,4 3,9<br />
Expandierte Knoten 58 343 110 27<br />
Knoten auf dem Heap 291 710 545 130<br />
Knoten in Open Set 69 344 252 79<br />
Knoten in Closed Set 105 184 277 51<br />
(Tab. 6.3): Messdaten zu (Abb. 6.6).<br />
Die Tabelle (Tab. 6.3) zeigt Messdaten zu <strong>ein</strong>em Szenario mit <strong>ein</strong>em Hindernis (Abb. 6.6). A* mit<br />
euklidischem Abstand würde mit fast 5 Minuten Kalkulationszeit alle Zeitschranken brechen. Wenn<br />
Kalkulationszeit k<strong>ein</strong>e Rolle spielt, dann liefert dieser Algorithmus den optimalsten Weg (mit den<br />
vorgegebenen Motion Primitiven) zum Ziel. Mit nur 1, 52m längerem Weg, was etwa 7% entspricht,<br />
1<br />
braucht A* mit <strong>ein</strong>em Gewicht w = 2 nur noch 26, 4ms und damit etwa<br />
10 000<br />
der Zeit und Ressourcen.<br />
A* mit <strong>ein</strong>em Gewicht w = 10 bringt weitere 1, 05m Weg<strong>ein</strong>buße, 2, 57m (≈ 11, 87%) zum<br />
ursprünglichem Weg und ist noch <strong>ein</strong>mal um <strong>ein</strong>e Faktor 10 schneller, was in zeitkritischen Systemen<br />
weitere Zeit- und Ressourcen<strong>ein</strong>sparnisse bringen kann. Schaut man sich die gefundenen Pfade grafisch<br />
an (Abb. 6.6), so erkennt man, dass der optimale Weg nicht der Weg ist, den <strong>ein</strong> Mensch fahren<br />
würde, denn <strong>ein</strong> Mensch würde kurz vor <strong>ein</strong>em weit entferntem Hindernis ausweichen und nicht den<br />
kürzesten Weg nehmen.<br />
Die Gewichtung der Entfernung hat neben der Suboptimalität noch <strong>ein</strong>e weitere Nebenwirkung.<br />
Dadurch dass näher am Ziel liegende Konfigurationen sehr viel besser bewertet werden, werden längere<br />
Primitiven meist bevorzugt, obwohl diese viel schlechter sind. Dadurch können Rückwärtsprimitiven<br />
den Vorwärtsprimitiven vorgezogen werden, wenn das Ziel hinter der Startkonfiguration liegt<br />
(Abb. 6.7 a). Wenn Kurven länger sind, als die Gerade, so werden diese bevorzugt, obwohl das Hindernis<br />
in direkter Fahrtrichtung liegt und auch Geraden als Primitiven existieren (Abb. 6.7 b).<br />
(a) Rückwärtsfahren wird bevorzugt<br />
(b) Kurven werden bevorzugt<br />
(Abb. 6.7): Hervorgehobene Nachteile an Heuristik mit gewichtetem Abstand in A*.