In this thesis, motion planning for automated vehicles considering uncertainties and interactions with human drivers is addressed for lane merging in dense traffic. Here, two main problems arise: 1. A model for the reaction of human drivers is necessary, and 2. the search space increases drastically which prohibits many planning techniques. This is addressed by training models based on neural networks and using them to focus a MCTS search process to promising regions of the state space. Based on real scenarios, the planner showed an increased lane change success rate compared to a baseline. A nonlinear optimization improved the high-level trajectory in comfort and safety considering the capabilities a controller.     «

In this thesis, motion planning for automated vehicles considering uncertainties and interactions with human drivers is addressed for lane merging in dense traffic. Here, two main problems arise: 1. A model for the reaction of human drivers is necessary, and 2. the search space increases drastically which prohibits many planning techniques. This is addressed by training models based on neural networks and using them to focus a MCTS search process to promising regions of the state space. Based on...     »

Diese Arbeit beschäftigt sich mit der Bewegungsplanung automatisierter Fahrzeuge in dichten Spurwechsel-Szenarien unter Einbezug von Unsicherheiten und der Reaktion anderer Fahrer. Daraus ergeben sich zwei Probleme: 1. wird ein Modell der Reaktion anderer Fahrer benötigt und 2. erhöht sich der Suchraum drastisch. Dafür werden neuronale Netze als Modelle trainiert und eingesetzt um eine MCTS-Suche auf relevante Bereiche des Zustandsraums zu fokussieren. Anhand realer Szenarien wird gezeigt, dass sich dadurch die Erfolgsrate für einen Spurwechsel erhöht. Eine nachgelagerte Optimierung verbessert die geplante Trajektorie um die Fähigkeiten der Aktuatoren zu berücksichtigen, und Komfort und Sicherheit zu erhöhen.     «

Diese Arbeit beschäftigt sich mit der Bewegungsplanung automatisierter Fahrzeuge in dichten Spurwechsel-Szenarien unter Einbezug von Unsicherheiten und der Reaktion anderer Fahrer. Daraus ergeben sich zwei Probleme: 1. wird ein Modell der Reaktion anderer Fahrer benötigt und 2. erhöht sich der Suchraum drastisch. Dafür werden neuronale Netze als Modelle trainiert und eingesetzt um eine MCTS-Suche auf relevante Bereiche des Zustandsraums zu fokussieren. Anhand realer Szenarien wird gezeigt, dass...     »