Bahnplanungsframework für ein autonomes Fahrzeug - oops ...

Weitere Magazine

Empfehlungen

Info

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.
1.4 Verfügbares System 3 1.4 VERFÜGBARES SYSTEM Zum Testen der Algorithmen unter realen Bedingungen stehen zwei elektrische Fahrzeuge zur Verfügung. Dazu gehört der Scooter von Götting KG, der von OFFIS in dem Projekt SaLsA benutzt wird, oder das elektrische „EcoCraft“-Fahrzeug, welches aber nur auf dem Firmengelände von Götting KG zur Verfügung steht (Abb. 1.1). Der Scooter ist ein von Götting KG umgebauter Elektrorollstuhl. Dieser ist mit einem Laserscanner ausgestattet, mit dem er die Umgebung wahrnimmt (siehe Kapitel 2.2). Des Weiteren hat er ein Bahnführungsrechner von Götting KG, der über Sensoren den eingeschlagenen Lenkwinkel und die Rotation der Räder misst, wodurch er über Odometrie die Pose des Scooters bestimmen kann. Weiterhin kann der Bahnführungsrechner die Aktoren des Scooters beeinflussen, dazu gehört Lenkwinkel einstellen und Geschwindigkeit regeln. Zu der Ausstattung des EcoCraft, gehören alle der eben genannten Sensoren und Aktoren wie bei dem Scooter. Die Lokalisierung läuft über dGPS, wobei auf Odometrie zurückgegriffen werden kann, wenn kein dGPS Signal zur Verfügung steht. Das EcoCraft hat weitere Sensorik wie z. B. einen RGBD-Sensor, da aber dieses Fahrzeug nur auf dem Testgelände von Götting KG in Lehrte erreichbar ist, wurde auf die zusätzliche Sensorik verzichtet. (a) Elektrisches Testfahrzeug „EcoCraft“ von Götting KG. (b) Umgebautes Krankenfahrzeug, das OFFIS als Testfahrzeug dient. (Abb. 1.1): Testfahrzeuge. Zur Visualisierung und Simulation der Algorithmen wurde das Programm Bahnplanung verwendet, welches im Rahmen eines OFFIS Projekts SaLsA entwickelt wurde. Das Programm wurde mit C# mithilfe von DirectX programmiert. Dieses Programm ist die Grundlage zur Entwicklung der Bahnplanungframeworks (Abb. 1.2).
Seite 1: Fakultät II - Informatik, Wirtscha
Seite 5 und 6: III INHALT 1 Einleitung 1 1.1 Motiv
Seite 7: 1 1 EINLEITUNG Zunächst wird das T
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 und 88:
6.5 Ergebnisse und Evaluation 81 An
Seite 89 und 90:
83 7 REEDS SHEPP In den ersten Kapi
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 ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?