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.
6.5 Ergebnisse und Evaluation 79<br />
6.5 ERGEBNISSE UND EVALUATION<br />
Die heuristische Suche bietet <strong>ein</strong>e Möglichkeit von <strong>ein</strong>er Startkonfiguration zu <strong>ein</strong>er gegebenen Endkonfiguration<br />
<strong>ein</strong>en Weg mit Kollisionsvermeidung zu planen. Aber <strong>ein</strong>en Schwachpunkt haben alle<br />
diese genannten Algorithmen der bisher noch nicht genannt wurde. Alle Algorithmen weisen Schwierigkeiten<br />
auf, wenn sie in engen Räumen suchen müssen, oder durch <strong>ein</strong>en Engpass planen müssen. In<br />
Abbildung (Abb. 6.22) ist <strong>ein</strong> Szenario mit <strong>ein</strong>em Engpasshindernis gezeigt. In beiden Fällen wurden<br />
gleiche <strong>Fahrzeug</strong>parameter, der gleiche Suchalgorithmus und gleiche Primitiven benutzt, der <strong>ein</strong>zige<br />
Unterschied besteht nur in der leicht versetzten Startkonfiguration, die bereits dazu führt, dass die<br />
Lücke im Hindernis nicht mehr gefunden wird.<br />
(a) Lücke wird nicht gefunden.<br />
(b) Lücke kann durchfahren werden.<br />
(Abb. 6.22): Engpässe werden von heuristischen Suchen übersehen.<br />
Dieses Problem weisen alle hier aufgeführten heuristischen Suchalgorithmen auf. Das Problem<br />
lässt sich theoretisch sehr leicht lösen, denn der Grund da<strong>für</strong> sind die diskreten Punkte, die angefahren<br />
werden können. Sie entstehen durch die diskrete Berechnung der Primitiven mit den verschiedenen<br />
Samplingverfahren. Dies lässt sich dadurch beheben, dass entweder kürzere Primitiven oder <strong>ein</strong>e<br />
höhere Anzahl an Nachfolgekonfigurationen berechnet werden. Beide Lösungsversuche führen aber<br />
durch die Exponentiell wachsende Erreichbarkeitsbäume zu stetig steigenden Suchzeiten. Eine andere<br />
Möglichkeit bietet die Umgebung besser zu definieren, indem z. B. zwischen den Hindernissen <strong>ein</strong><br />
Weg definiert wird und dieser über online Sampling angefahren wird.<br />
Zur Evaluation der gezeigten Algorithmen wurde das bereits bekannte Szenario mit <strong>ein</strong>em Hindernis<br />
verwendet (Abb. 6.23). Die getesteten Algorithmen sind der naive A*, wo die naiven Datenstrukturen<br />
verwendet wurden. A* mit optimierten Datenstrukturen und die hierarchische Suche mit<br />
Theta* vor A*. Des Weiteren wurde mit jedem Algorithmus jeweils verschiedene Heuristiken verwendet.<br />
Darunter die naive Heuristik mit dem euklidischem Abstand, die optimierte Heuristik mit<br />
dem Kreisbogenabstand, dazu wurden die nicht optimalen Heuristiken mit der Orientierung und dem<br />
gewichteten Abstand genommen.