Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Bahnplanungsframework für ein autonomes Fahrzeug - oops ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
2 Einleitung<br />
an<strong>ein</strong>ader gereihten elementaren Primitiven die minimale Verbindung zwischen <strong>ein</strong>er Startkonfiguration<br />
und <strong>ein</strong>er Endkonfiguration <strong>für</strong> <strong>ein</strong> vorwärts fahrendes <strong>Fahrzeug</strong> von Dubins aufgezeigt (Dubins<br />
1957 [4]), diese wurde später von Reeds und Shepp <strong>für</strong> beide Fahrtrichtungen generalisiert (Reeds &<br />
Shepp [32]).<br />
Des Weiteren gibt es den Bereich Sampling (siehe Kapitel 5), der da<strong>für</strong> zuständig ist mehrere Motion<br />
Primitiven zu berechnen und diese zu <strong>ein</strong>em Template zusammenzufügen, welches nachträglich<br />
<strong>für</strong> die Suche gebraucht wird (Pivtoraiko & Kelly 2011 [30], Pivtoraiko 2012 [31]). Das Template<br />
kann auch gekrümmt werden, um sich so an die Umgebung anzupassen (McNaughton et al. 2011<br />
[27])<br />
Letztlich sind die heuristischen Suchen (siehe Kapitel 6) da<strong>für</strong> zuständig aufbauend aus mehreren<br />
Motion Primitiven, die nach<strong>ein</strong>ander abgefahren werden, <strong>ein</strong>en Pfad von <strong>ein</strong>er Startkonfiguration bis<br />
zu der Endkonfiguration zu suchen. Die Schar an verschiedenen heuristischen Suchen, kann in mehrere<br />
Kategorien gegliedert werden. Zunächst gibt es die kontinuierlichen heuristischen Suchen, die<br />
nur <strong>ein</strong> <strong>ein</strong>ziges mal ausgeführt werden, um <strong>ein</strong> Weg von Start zum Ziel zu finden. Die Entwicklung<br />
startete bei Dijkstra (Dijkstra 1959 [2]) bis hin zu A* (Hart, Nilsson & Raphael 1968 [9]). Wenn jedoch<br />
nicht die volle Information über die Umgebung vorliegt und sich somit im Verlaufe <strong>ein</strong>er Fahrt<br />
neue Erkenntnisse darüber ergeben, so dass umgeplant werden muss, gibt es auch hier dynamische<br />
Algorithmen, die <strong>ein</strong>e Bahnkorrektur vornehmen können ohne das alte Ergebnis zu verwerfen und<br />
ständig neu zu planen. Zunächst <strong>ein</strong>mal gibt es den D* Algorithmus (Stentz 1995 [37]), der zu D* Lite<br />
optimiert wurde (Koenig & Likhachev 2002 [19]). Manchmal muss in dynamischen Umgebungen<br />
schnell reagiert werden, weshalb es Algorithmen gibt, die <strong>ein</strong>e Zeitspanne vorgegeben bekommen,<br />
<strong>ein</strong>en schnellen Weg planen und in verbleibender Zeit versuchen diesen zu optimieren. Die Entwicklung<br />
begann bei Anytime Algorithmen (Horvitz 1987 [13], Dean & Boddy 1988 [1], Zilberst<strong>ein</strong> &<br />
Russel 1995 [41]) bis hin zu ARA* (Likhachev, Gordon & Thrun 2003 [26]). Auch dynamische Anytime<br />
Algorithmen sind möglich (Likhachev et al. 2005 [25]). Die meisten dieser Algorithmen wurden<br />
im Paper (Ferguson, Likhachev & Stentz 2005 [6]) mit<strong>ein</strong>ander verglichen.<br />
Ein dynamisches Umplanen muss nicht immer <strong>ein</strong>e neue heuristische Suche s<strong>ein</strong>, sondern kann bei<br />
neuen Erkenntnissen von Hindernissen die bereits bekannte Bahn krümmen (Lamiraux, Bonnafous &<br />
Lefebvre 2004 [23], Rufli & Siegwart 2010 [33])<br />
1.3 ZIELE DER ARBEIT<br />
Es soll <strong>ein</strong> graphisches <strong>Bahnplanungsframework</strong> entwickelt werden, mit dem man verschiedene Algorithmen<br />
der Bahnplanung ausprobieren kann. Diese sollen per Drag&Drop mit<strong>ein</strong>ander verbunden<br />
werden können. Die Parameter sollen dabei <strong>ein</strong>stellbar s<strong>ein</strong>, um die Auswirkungen verschiedener<br />
Parameter auf die Algorithmen betrachten zu können.<br />
Des Weiteren ist die Arbeit in vier Teilbereiche zu gliedern, die die <strong>ein</strong>zelne Aspekte der Bahnplanung<br />
beleuchten. Zu diesen gehören in erster Linie als grundlegend die Motion Primitiven (engl.<br />
Bahnsegment) und ihre Verknüpfung unter<strong>ein</strong>ander. Die verschiedenen Samplingverfahren, Sampling<br />
im Control Space und Sampling im State Space. Verschiedene Suchalgorithmen und ihre Parametriesierbarkeit<br />
durch Heuristiken. Als auch der Reeds Shepp - Algorithmus (Reeds & Shepp 1990 [32]),<br />
mit dem Posen angefahren werden können und die Erweiterung durch die physikalische Einschränkung<br />
der Lenkgeschwindigkeit zu Continuous Curvature (Fraichard & Scheuer 2004 [7]). Alle Kapitel<br />
sollen <strong>ein</strong>zeln untersucht und evaluiert werden.