5D Pathplanning
Abstract
Die Pfadplanung befasst sich mit der Aufgabe einem Roboter zu ermöglichen, sich durch eine Karte zu navigieren. Dies geschieht, indem eine Reihe von Posen ermittelt wird, die von einem gegebenen Startpunkt zu einem gewünschten Ziel führen. Diese PosenReihe muss den mobilen Roboter sicher und kollisionsfrei um Hindernisse herumführen und dabei seine physikalischen Fähigkeiten berücksichtigen. Dies ist ein fundamentaler Bestandteil der mobilen Robotik und wird daher auch umfangreich erforscht. Die meisten Ansätze in der Literatur basieren auf der Anwendung eines Suchalgorithmus auf einer zweidimensionalen Karte. Alternativ kann ein 5D Zustandsraum erstellt werden, der aus (x, y, \Theata, v, \omega) besteht. Diese Zustände basieren auf der Pose in der Karte und den Geschwindigkeiten des Roboters. Dieser Ansatz erlaubt es, einen globalen, zeitoptimierten Pfad in einer nicht-iterativen Suche zu finden. Die 5D-Darstellung ermöglicht auch die Berücksichtigung jeder Roboter-Konfiguration, beispielsweise einer Ackermann-Lenkung. Im Vergleich zu einer 2D-Karte, werden für den 5D-Ansatz mehr Zeit- und Rechenressourcen benötigt.Im Rahmen dieser Arbeit wurde der 5D-Ansatz in einem vollständig integrierten Planer aufgesetzt. Mithilfe dieses Planers konnte eine Simulationsumgebung erstellt werden, in der Experimente durchgeführt werden konnten. Die Experimente wurden so ausgewählt, dass ein Vergleich mit anderen State-of-the-Art-Planern möglich ist. Die Prozesskennwerte wurden gemessen und dokumentiert. Die Ergebnisse wurden statistisch analysiert, um die Fähigkeiten des Planers darzustellen.Die Ergebnisse einer Beispielanwendung zeigen, dass der 5D-Planer in den gleichen Zeiträumen arbeiten kann wie andere State-of-the-Art-Planer und somit praxisrelevant ist. Weitere große Vorteile des 5D-Planers ergeben sich aus seinem Design: globale, zeitoptimierte Pfade, keine iterativen Prozesse und eine Funktionalität in allen Roboterkonfigurationen.
Fields of Study & Subjects
Robotic Path Planning Algorithms
Reinforcement Learning in Robotics
Robotics and Sensor-Based Localization
Publication details
- Journal / source
- reposiTUm (TU Wien)
- Publication date
- 1 January 2026
- Language
- EN
- Document type
- Thesis