Diese Arbeit befasst sich mit Algorithmen zur Planung des kooperativen Verhaltens kognitiver Automobile. Ausgangspunkt sind kognitive Fahrzeuge mit Sensoren und Aktoren, die ihre Umgebung wahrnehmen, Verkehrssituationen interpretieren, über Funk kommunizieren und automatische Fahrmanöver ausführen können. Zunächst wird die Frage untersucht, welche Fahrzeuge überhaupt im Hinblick auf gemeinsame Fahrmanöver miteinander kooperieren können. Diese Fahrzeuge werden zu kooperativen Gruppen zusammengefasst. Das Konzept der kooperativen Gruppen ermöglicht eine rasche Entscheidungsfindung im Fall einer Gefahrensituation, da die Kooperationspartner durch die Gruppenstruktur bereits festgelegt sind. Eine begrenzte Gruppengröße garantiert außerdem, dass der Kommunikations- und Rechenaufwand vertretbar bleibt. Für die Bestimmung der möglichen Kooperationspartner ist die Straßentopologie von entscheidender Bedeutung. Beispielsweise ist die Durchführung gemeinsamer Fahrmanöver nicht möglich, wenn Fahrzeuge durch die Mittelleitplanke einer Autobahn voneinander getrennt sind, obwohl ihr räumlicher Abstand in diesem Fall sehr gering sein kann. Anhand dieser Überlegungen wird ein Abstandsmaß definiert, das die Zeit bis zum nächsten gemeinsamen Treffpunkt zweier Fahrzeuge im Straßennetz beschreibt. Darauf basierend werden Kriterien zur Bildung kooperativer Gruppen im verteilten System kognitiver Fahrzeuge entwickelt. Der zweite Hauptbeitrag der Arbeit behandelt die Entscheidungsfindung in Gefahrensituationen. Um möglichst allgemeine, von speziellen Szenarien unabhängige Verfahren zu erhalten, wird die kooperative Unfallvermeidung als Problem der Bewegungsplanung für mehrere Fahrzeuge formalisiert. In der Literatur zur kooperativen Bewegungsplanung für mehrere Fahrzeuge oder Roboter werden meistens Entkopplungs- oder Priorisierungsannahmen getroffen, um die Rechenkomplexität der Algorithmen zu reduzieren. Damit wird jedoch auch die Menge der möglichen Bewegungspläne eingeschränkt, sodass die Planung fehlschlagen kann, selbst wenn eine Lösung existiert. In dieser Arbeit wird auf solche Annahmen verzichtet, um in Gefahrensituationen einen möglichst großen Spielraum von Handlungskombinationen ausschöpfen zu können. Es werden drei unterschiedliche Verfahren zur kooperativen Bewegungsplanung unter Berücksichtigung der Fahrzeugdynamik untersucht. Der erste Algorithmus basiert auf der Anordnung einer diskreten Menge von Handlungssequenzen der Fahrzeuge in einem Baum. Eine gewählte Handlung wird für ein festgelegtes Zeitintervall ausgeführt, bis der nächste Entscheidungspunkt auf der nachfolgenden Ebene des Baums erreicht ist. Die Ausführung der Handlungen wird mit Hilfe von Fahrzeugmodellen unter Berücksichtigung kinematischer und dynamischer Randbedingungen simuliert. Zur Bewertung von Alternativen können Funktionen definiert werden, die nicht nur die Kollisionsvermeidung, son dern auch die Minimierung der Unfallschwere im Fall unvermeidlicher Kollisionen ermöglichen. Aufgrund der großen Anzahl an Kombinationen von Einzelfahrzeug handlungen ist es bei sinnvollen Diskretisierungsannahmen nicht möglich, den Baum in Echtzeit vollständig zu durchsuchen. Jedoch können bestimmte Teilbäu me von der Suche ausgeschlossen werden, wenn bekannt ist, dass sie die optimale Lösung nicht enthalten können. Hierzu wird in einem Vorverarbeitungsschritt die Information berechnet, die nur von Entscheidungen einzelner Fahrzeuge abhängig ist. Auf der Grundlage dieser Vorberechnung wird ein effizientes Durchsuchen des Baums mit dem Branch-and-Bound- oder dem A*-Algorithmus möglich.
Planung kooperativer Fahrmanöver für kognitive Automobile
Karlsruher Schriften zur Anthropomatik ; 10 ; 1-235
2011
235 Seiten, Bilder, Tabellen, 350 Quellen
Hochschulschrift
Deutsch
Planung kooperativer Fahrmanöver für kognitive Automobile
GWLB - Gottfried Wilhelm Leibniz Bibliothek | 2012
|Planung kooperativer Fahrmanöver für kognitive Automobile
Katalog Medizin | 2012
|Planung kooperativer Fahrmanöver für kognitive Automobile
TIBKAT | 2012
|Planung kooperativer Fahrmanöver für kognitive Automobile
DataCite | 2012
|