Trajektorienoptimierung mithilfe quadratischer Programmierung auf Basis von SLAM-Daten

Diese Bachelorarbeit untersucht die Entwicklung und Optimierung von Trajektorien für autonome Fahrzeuge mithilfe quadratischer Programmierung und SLAM-Daten. Ziel ist es, den Fahrkomfort und die Sicherheit zu maximieren und gleichzeitig eine hohe Recheneffizienz zu gewährleisten. Zur Validierung wird das Modellauto "Chimera" der ARRK Engineering GmbH verwendet, welches mit verschiedenen Sensoren und einer leistungsstarken NVIDIA-Recheneinheit ausgestattet ist. Zu den Sensoren zählen ein LiDAR-Modul sowie eine Inertial Measurement Unit (IMU).

Ein zentraler Aspekt des Systems ist der Einsatz von SLAM (Simultaneous Localization and Mapping), der eine präzise Kartierung der Umgebung und eine genaue Positionsbestimmung ermöglicht. Der verwendete SLAM-Algorithmus basiert auf einem Partikelfilter, der Daten von LiDAR und IMU kombiniert.

Die Softwareplattform basiert auf ROS2 und umfasst sowohl globale als auch lokale Pfadplanung. Der globale Planer verwendet eine optimierte A*-Implementierung, während der lokale Planer auf dem Timed-Elastic-Band-Algorithmus basiert, der eine dynamische Anpassung der Trajektorien in Echtzeit ermöglicht.

Die Testergebnisse zeigen, dass die entwickelten Methoden die Trajektorien im Vergleich zu den ursprünglichen Pfaden deutlich glätten und abrupte Änderungen vermeiden. Dies führt zu einem höheren Fahrkomfort und einer verbesserten Sicherheit, da stets ein ausreichender Abstand zu Hindernissen eingehalten wird. Es wurden jedoch auch Herausforderungen identifiziert, wie die Kontrolle des hohen Drehmoments des Modellfahrzeugs, welche eine Optimierung der Geschwindigkeitsregelung erschwert, sowie die begrenzte Testumgebung, die ausgiebigeres Testen verhindert. Die Leistungsanalyse im Vergleich zu bestehenden Optimierungen weist zudem eine geringere CPU-Auslastung auf, was die Effizienz des Systems unterstreicht.