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.
91<br />
8<br />
FAZIT UND AUSBLICK<br />
Das <strong>Bahnplanungsframework</strong> bietet <strong>ein</strong>e Möglichkeit mehrere Algorithmen auch kombinatorisch auszuprobieren<br />
und deren Verhalten auf Änderung verschiedener Parameter zu untersuchen. Es wurden<br />
<strong>ein</strong>ige Algorithmen implementiert und diese wurden auf ihre Parametriesierbarkeit untersucht. Eine<br />
große Rolle spielten dabei die Heuristikfunktion und die hierarchische Suche, durch die die Kalkulationszeit<br />
der Algorithmen verbessert werden konnte. Die Statistikauswertung zeigt Verbesserungsmöglichkeiten<br />
im Programm, weshalb auch optimierte Datenstrukturen <strong>für</strong> das Open und Closed Set<br />
<strong>ein</strong>geführt wurden.<br />
Nun flogt noch <strong>ein</strong> Ausblick auf die <strong>ein</strong>zelnen Kapitel, was interessante Aussichten und eventuell<br />
Verbesserungen bringt, die jedoch im Rahmen dieser Arbeit nicht mehr bearbeitet werden konnten<br />
und somit als Denkanstöße <strong>für</strong> weitere Arbeiten dienen können.<br />
MOTION PRIMITIVES<br />
In Gesprächen mit Herrn Lehr von Götting KG, die sich schon sehr lange mit diesem Thema befasst,<br />
kam heraus, dass er nie die kinematischen Eigenschaften des <strong>Fahrzeug</strong>s voll ausreize, sondern bis<br />
nur etwa 2 3<br />
des Maximums gehe. Dabei bezog er sich vor allen Dingen auf die Lenkgeschwindigkeit.<br />
Der Grund da<strong>für</strong> sei, dass die Lenkbewegung nicht linear verlaufe, sondern gleichförmig durch <strong>ein</strong>en<br />
Motor beschleunigt und später auch wieder abgebremst werde. Bei kl<strong>ein</strong>en Änderungen sei der Motor<br />
ständig am Beschleunigen und am Bremsen und erreiche niemals die maximale Lenkgeschwindigkeit,<br />
weshalb man etwas geringer beim Berechnen ansetzen solle. Da diese Tatsache aber die Primitiven<br />
unnötig groß anwachsen lässt, kann man noch <strong>ein</strong>en Schritt weiter gehen und nicht Continuous Steering<br />
Primitiven berechnen, sondern Accelerated Steering Primitiven. Dieses Verfahren wurde bisher<br />
aber auch von Herrn Lehr nicht praktiziert.<br />
SAMPLING<br />
Aufgrund der detailarmen Modellierung in der Simulation und den vorgegebenen statischen Szenarien<br />
wurde das vorgestellte online Sampling nicht implementiert. Die Hindernisse werden im Format<br />
RNDF gespeichert, welches auch die Möglichkeit <strong>für</strong> Straßen und Verbindungen bietet. Doch es reicht<br />
nicht nur die Umgebung zu modellieren, viel wichtiger ist der Algorithmus, der die Primitiven an die<br />
Umgebung anpassen muss. Interessante Ansätze liefert (Kelly & Nagy 2003 [17]).<br />
SUCHALGORITHMEN<br />
Alle Szenarien fanden in <strong>ein</strong>er statischen Umgebung statt. Erweitert man die Umgebung um Dynamik,<br />
so kommen viele weitere Algorithmen in Frage. D* ist <strong>ein</strong>er der bekanntesten dynamischen<br />
Algorithmen, der Teile der bereits gefundenen Bahn wiederverwenden kann. D* wird meistens in