Dieses Modul führt in die Vielfalt und die Herausforderungen des Problems der Bewegungsplanung beim selbstfahrenden Fahren ein und demonstriert ein Arbeitsbeispiel, auf das im Laufe des Kurses aufgebaut wird. Der Schwerpunkt liegt auf der Definition der wichtigsten Szenarien, die beim Fahren auftreten, auf den Arten von Verlustfunktionen und Einschränkungen, die sich auf die Planung auswirken, sowie auf einer gemeinsamen Zerlegung des Planungsproblems in Teilprobleme der Verhaltens- und Trajektorienplanung. In diesem Modul wird eine generische, hierarchische Optimierungsformulierung für die Bewegungsplanung vorgestellt, die in den nachfolgenden Modulen weiter ausgebaut und implementiert wird

Das Belegungsgitter ist eine Diskretisierung des Raums in Zellen fester Größe, von denen jede eine Wahrscheinlichkeit enthält, dass sie belegt ist. Es ist eine grundlegende Datenstruktur, die in der gesamten Robotik verwendet wird und eine Alternative zur Speicherung vollständiger Punktwolken darstellt. In diesem Modul wird das Belegungsraster vorgestellt und der Platz- und Berechnungsbedarf der Datenstruktur erläutert. In vielen Fällen ist ein 2D-Belegungsraster ausreichend. Die Teilnehmer werden untersuchen, wie 3D-LIDAR-Scans effizient komprimiert und gefiltert werden können, um 2D-Karten zu erstellen

Dieses Modul entwickelt die Konzepte der Suche nach dem kürzesten Weg auf Graphen, um eine Abfolge von Straßensegmenten in einer Straßenkarte zu finden, die ein Fahrzeug von einem aktuellen Standort zu einem Ziel navigiert. Das Modul behandelt die Definition eines Straßenkartengraphen mit Straßensegmenten, Kreuzungen und Fahrzeiten und stellt die Dijkstra- und A*-Suche zur Ermittlung des kürzesten Weges über das Straßennetz vor.

Dieses Modul führt dynamische Hindernisse in das Problem der Verhaltensplanung ein und gibt den Lernenden die Werkzeuge an die Hand, um die Zeit bis zur Kollision von Fahrzeugen und Fußgängern in der Umgebung abzuschätzen.

Dieses Modul entwickelt ein grundlegendes, regelbasiertes System zur Verhaltensplanung, das auf hoher Ebene Entscheidungen über Fahrverhalten wie Spurwechsel, Überholen von parkenden Autos und das Durchfahren von Kreuzungen trifft. Das Modul definiert einen konsistenten Satz von Regeln, die ausgewertet werden, um bevorzugte Fahrzeugverhaltensweisen auszuwählen, die die Menge der möglichen Wege und Geschwindigkeitsprofile einschränken, die in der Planung auf niedrigerer Ebene untersucht werden.

Ein reaktiver Planer verwendet lokale Informationen, die innerhalb eines Sensor-Footprints verfügbar sind, und ein globales Ziel, das in einem Kartenkoordinatensystem definiert ist, um einen lokal machbaren Pfad zu finden, der kollisionsfrei ist und zu einem Ziel führt. In diesem Modul werden die Lernenden einen Trajektorien-Rollout und einen dynamischen Fensterplaner entwickeln, der die Pfadfindung in beliebigen statischen 2D-Umgebungen ermöglicht. Die Grenzen des Ansatzes für echtes selbständiges Fahren werden ebenfalls diskutiert

Parametrisierte Kurven werden häufig verwendet, um Pfade durch die Umgebung für das selbstfahrende Auto zu definieren. In diesem Modul wird die Optimierung von kontinuierlichen Kurvenpfaden als Zweipunkt-Randwertproblem eingeführt, das die Abweichung von einem gewünschten Pfad minimiert und gleichzeitig die Krümmungsbeschränkungen erfüllt.