Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

Weitere Magazine

Empfehlungen

Info

82 Suchalgorithmen PFADLÄNGE Euklidisch Kreisbogen Orientierung Gew. Abstand naive A* 20,58 20,58 20,61 21,47 A* with Priority 20,58 20,58 20,61 21,47 Theta* + A* 20,73 20,73 20,73 20,86 (Tab. 6.14): Erfassung der Weglängen in Metern zum Szenario (Abb. 6.23). (Abb. 6.26): Weglängendiagramm zu Tabelle (Tab. 6.14). Anhand der Tabelle (Tab. 6.14) oder dem Diagramm (Abb. 6.26) erkennt man, dass bis auf den gewichteten Abstand alle Algorithmen einen nahezu gleichlangen Weg liefern und kaum Abweichungen aufweisen. Der gewichtete Abstand sticht jedoch sofort raus mit einem extrem viel längerem Pfad. Interessant ist auch, dass der gewichtete Abstand bei der hierarchischen Vorsuche mit Theta* wieder einen nahezu perfekten Pfad findet.
83 7 REEDS SHEPP In den ersten Kapiteln dieser Arbeit wurden verschiedene Motion Primitiven vorgestellt (Kapitel 4). Des Weiteren wurden Samplingverfahren (Kapitel 5) vorgestellt, mit denen eine Menge von Motion Primitiven vorberechnet werden kann, die den kinematischen Einschränkungen des Fahrzeugs genügen. Und schließlich wurden heuristische Suchalgorithmen (Kapitel 6) vorgestellt, um eine Position anzufahren. Aufgrund des exponentiellen Wachstums des Erreichbarkeitsbaums, gibt es nur eine endliche Anzahl an vorberechneten, möglichen Motion Primitiven, die auch eine bestimmte Länge haben. Es können also nur diskrete Raumpunkte angefahren werden. Möchte man in eine Pose dazwischen planen, so muss man sich damit zufrieden geben, dass man mit heuristischen Suchalgorithmen mit einem geringem Abstand- und Winkelfehler die Pose anfahren kann (Abb. 7.1). (Abb. 7.1): Problem an heuristischen Suchalgorithmen durch Diskreditierung. (grau → valider Pfad, schwarz → vorberechnete Motion Primitiven) In diesem Kapitel wird ein Verfahren vorgestellt, mit dem aus einer Pose in eine andere Pose geplant werden kann. Dieser Algorithmus schließt zwar Kollisionen aus, plant aber nicht um Hindernisse herum. Trotzdem muss nicht zwangsläufig aus einer Startpose geplant werden, sondern es kann eine Konfiguration aus dem Ergebnispfad der A* Suche benutzt werden, so dass mit diesem Werkzeug der letzte Schritt gemacht werden kann um die endgültige Pose anzufahren.
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 und 56: 5.2 State Space 49 Vergleicht man d
Seite 57 und 58: 5.3 Ergebnisse und Evaluation 51 St
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: 6.5 Ergebnisse und Evaluation 81 An
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?