Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

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