OPA³L - Optimal Assistierte, hoch Automatisierte, Autonome und kooperative Fahrzeugnavigation und Lokalisation

Ziel des Projektes ist es, wiederkehrende Fahrten in bekannten Gebieten zu automatisieren und insbesondere Lösungsansätze für kooperative Manöver in solchen Gebieten zu präsentieren. Hierzu arbeiten die Kooperationspartner an der Umsetzung in einem anwendungsnahen Testfeld.

Das im Projekt verwendete Hybridfahrzeug ermöglicht eine effektive und umweltfreundliche Wahl zwischen elektrischem und konventionellem Antrieb. Des Weiteren ist das Forschungsauto mit einer Vielzahl an Sensoren, wie Kameras, Radar, Ultraschall- und Laserscannern ausgestattet, um autonom agieren zu können. Mit diesen Sensordaten kann das Auto seine Umgebung erkennen. Ein im Computer erzeugtes Abbild des realen Testfahrzeugs und der erkannten Umgebung erlauben dann die Umsetzung optimaler, schneller, komfortabler, sicherer und kraftstoffsparender Fahrmanöver.

Das Projekt wird von der Arbeitsgruppe für Optimierung und Optimale Steuerung des Zentrums für Technomathematik koordiniert und in enger Kooperation mit der Arbeitsgruppe Kognitive Neuroinformatik durchgeführt. Weitere Partner in dem Projekt sind die Arbeitsgruppe für Computergraphik und Virtuelle Realität der Universität Bremen und das Institut für Raumfahrttechnik und Weltraumnutzung an der Universität der Bundeswehr München, sowie die Industrieunternehmen IAV und ANavS.

Publikationen

1. A. Folkers, C. Wellhausen, M. Rick, X. Li, L. Evers, V. Schwarting, J. Clemens, P. Dittmann, M. Shubbak, T. Bustert, G. Zachmann, K. Schill, C. Büskens.
   The OPA3L System and Testconcept for Urban Autonomous Driving.
   25th IEEE International Conference on Intelligent Transportation Systems, 08.10.-12.10.2022.
   

   DOI: 10.1109/ITSC55140.2022.9922416
   online unter: https://ieeexplore.ieee.org/document/9922416

2. A. Folkers, M. Rick, C. Büskens.
   Time-Dependent Hybrid-State A⁎ and Optimal Control for Autonomous Vehicles in Arbitrary and Dynamic Environments.
   21th IFAC World Congress, 11.07.-17.07.2020, Berlin, Deutschland.
   Proceedings of the 21th IFAC World Congress, 53(2):15077-15083, 2020.

   DOI: 10.1016/j.ifacol.2020.12.2029
   online unter: https://www.sciencedirect.com/science/article/pii/S2405896320326653

3. A. Folkers, M. Rick, C. Büskens.
   Controlling an Autonomous Vehicle with Deep Reinforcement Learning.
   Intelligent Vehicles Symposium, 09.06.-12.06.2019, Paris, Frankreich.
   Proceedings of the 30th IEEE Intelligent Vehicles Symposium, S. 2025-2031, 2019.

   Best Student Paper

   DOI: 10.1109/ivs.2019.8814124

4. M. Rick, J. Clemens, L. Sommer, A. Folkers, K. Schill, C. Büskens.
   Autonomous Driving Based on Nonlinear Model Predictive Control and Multi-Sensor Fusion.
   10th IFAC Symposium on Intelligent Autonomous Vehicles (IAV 2019), 03.07.-05.07.2019.
   

   DOI: 10.1016/j.ifacol.2019.08.068

5. A. Folkers.
   Steuerung eines autonomen Fahrzeugs durch Deep Reinforcement Learning.
   BestMasters, 75 Seiten, Springer Verlag, 2019.

   DOI: 10.1007/978-3-658-28886-0