Echtzeit-Bewegungsplanung für autonome Fahrzeuge in urbanen Umgebungen: Skalierter Prototyp

Fortgeschrittene autonome Fahrzeuge versprechen sicherere, effizientere urbane Mobilität. Trotz massiver Industrieinvestitionen hat kein vollautonomes System den Verbrauchermarkt erreicht. Ein Schlüssel-Flaschenhals: Fehlen robuster Echtzeit-Bewegungsplanungs-Engine für sichere Navigation komplexer Stadtstraßen.

Projektziel

Ziel: Zuverlässiges Echtzeit-Bewegungsplanungssystem designen & implementieren, das Unfallraten autonomer Autos senkt. System integriert Spurhalten, Hindernisvermeidung, bewegtes-Fahrzeug-Vermeidung, adaptiven Tempomat, basische Unfallvermeidung.

Hardware-Architektur

Skaliertes „Ego“-Fahrzeug gebaut mit Adafruit 3-Lagen-Rundroboter-Chassis-Kit (2 DC-Motoren), Raspberry Pi 3 B+, RPLIDAR-A1 Laserscanner, zwei HC-SR04 Ultraschallsensoren, Anker PowerCore 13000 Batteriepack.

Raspberry Pi als Verarbeitungszentrale: Rohdaten von LIDAR & Ultraschall via GPIO, Motorbefehle an DRV8833 Motortreiber.

Software-Stack

Alles auf Raspbian. Python 3 Primärsprache, nutzt offizielles LIDAR SDK und VNC Viewer für Remote-Monitoring. SSH für drahtlosen CLI-Zugriff.

Methodik

1. Phase 1 – Hardwarebau: Ego-Fahrzeug zusammenbauen, OS, Treiber, Konnektivitätstools installieren.
2. Phase 2 – Control Development: Spurhalten, Hindernisvermeidung, bewegtes-Fahrzeug-Vermeidung, adaptiver Tempomat Module via Sensorfusion implementieren.
3. Phase 3 – Validierung: Zuverlässigkeitstests in skaliertem urbanem Mockup, iterative Algorithmusverfeinerung, alle Module in einzelnen Bewegungsplanungs-Stack integrieren.

Kernalgorithmen

Hindernisvermeidung basiert auf LIDAR-Daten segmentiert in Vorwärts- & Rückwärtssektoren; Hindernis im Vorwärtssektor → Gegenseite via Ultraschall prüfen → Stop oder Spurwechsel entscheiden. Adaptiver Tempomat justiert Geschwindigkeit um ±5 % oder ±1 % aktueller Velocity für sicheren Abstand.

Ergebnisse & Verbesserungen

Initialtests zeigten:

• Spurhalten hält Fahrzeug zentriert.
• Hindernisvermeidung stoppt zuverlässig vor statischen Hindernissen.
• Bewegtes-Fahrzeug-Vermeidung wechselt Spur bei freier Gegenseite.
• Adaptiver Tempomat hält Distanz, zeigt Speed-Jitter.

Top-Heavy-Design gemildert: Zweiter Raspberry Pi entfernt, Chassis tiefergelegt, Kipp-Risiko reduziert. Ultraschallsensoren verbesserten Seitenspurdetektion, sanftere Geschwindigkeitsanpassung stabilisierte Tempomat.

Zukünftige Arbeit

Zukünftige Iterationen: ML-basierte Pfadplanung, Echtzeit-Verkehrssignal-Integration, Multi-Fahrzeug-Koordination via V2X. Adaptiven Tempomat mit prädiktiven Modellen basierend auf Distanz-Zeit-Berechnungen verbessern.

Fazit

Durch Sensorfusion, modulare Controllogik, iterative Tests: Prototyp Echtzeit-Bewegungsplanungssystem, das sicher in kontrollierter urbaner Umgebung operiert. Noch nicht produktionsreif, aber Architektur legt solides Fundament für Level-4-autonomes Fahren.

Danksagung

Besonderer Dank an Dr. Lisa Fiorentini für Mentoring, Familie für Unterstützung, Peers für konstruktives Feedback.

Referenzen

1. Aqib, „What is Raspberry pi? Getting Started with Raspberry Pi 3,“ Electronics Hobbyists, 18-Jan-2019. Link.
2. Adafruit Industries, „Mini 3-Layer Round Robot Chassis Kit – 2WD with DC Motors,“ 2020. Link.
3. Adafruit Industries, „Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board,“ 2020. Link.
4. T. Huang, „RPLIDAR-A1 360° Laser Range Scanner,“ SLAMTEC, 2020. Link.
5. „PowerCore 13000,“ Anker, 2020. Link.
6. „Welcome to lidar's documentation!“ LIDAR Doku, 2020. Link.
7. „RealVNC,“ VNC Connect, 2020. Link.
8. Adafruit Industries, „HC-SR04 Ultrasonic Sonar Distance Sensor 2×10 kΩ resistors,“ 2020. Link.