Alla inlägg av Azra Habibovic

Artificiell intelligens

Imitationsinlärning för snabbare beslutsfattande

En forskargrupp från Deakin University i Australien har publicerat en ny studie med titeln Deep Imitation Learning for Autonomous Vehicles Based on Convolutional Neural Networks [1]. Som det framgår av titeln så använder de sig av s.k. imitationsinlärning där algoritmen lär sig från demonstrationer. 

Under experimentet fick en mänsklig förare köra ett fordon utrustat med tre utåtriktade kameror. Kamerabilderna behandlas sedan med faltningsnätverk (convolutional neural networks, CNN) som lär sig fatta beslut utifrån förarens beslut.

Studien fokuserade på att utvärdera hur prestandan hos CNN påverkas av olika arkitekturer, inklusive antalet lager och filter samt filterstorleken. De kom fram till att antalet filter inte påverkar prestandan.

Källor

[1] CHINESE ASSOCIATION OF AUTOMATION. Improving the vision of self-driving vehicles. 2020-03-06 Länk

Tester och demonstrationer, Trafiksäkerhet

Intersection Drone Dataset

Tyska fka GmbH och Institute for Automotive Engineering (ika) vid RWTH Aachen University har publicerat en ny datamängd över fyra korsningar. Den heter Intersection Drone Dataset (inD) och är inspelad med hjälp av en drönare. Den visar alltså toppvy över trafiken i korsningarna.  

Målet är att sådana data ska användas för validering av automatiserad körning. Datamängden är gratis för icke kommersiell verksamhet. 

Forskarna har också publicerat en artikel om detta som finns att tillgå här. 

Artificiell intelligens, Teknologi

Ubers maskininlärning och versionshantering

Uber har publicerat en övergripande beskrivning av sin infrastruktur för maskininlärningsmodeller samt ett verktyg, VerCD, som hjälper dem att hantera olika versioner av dessa modeller [1].

Maskininlärningsmodeller skapas i fem steg: 

  • Dataintag. Dataloggar för utveckling av maskininlärningsmodeller väljs ut och förs in till maskininlärningstacken. Ungefär 75 % av data används för träning, 15% för test och 10 % för validering.
  • Datavalidering. Den utvalda datamängden behandlas för att detektera och klassificera olika objekt. Dessa jämförs sedan med andra datamängder över samma scener för att förstå hur förhållandena har förändrats.
  • Modellträning. För att träna modeller appliceras Horovods distribuerad träning. Träningen sker parallellt på olika processorer så att samma modell tränas på flera processorer med olika delar av datamängden. I ett nästa steg används Horovods ring-allreduce-algoritm för att fördela det som en processor lärt sig till alla andra processorer. För att säkerställa att träningen går enligt plan övervakar ingenjörerna processen med hjälp av TensorFlow och PyTorch. Orkestrering av träningsarbetet görs med hjälp av Peloton, en open source resursplanerare utvecklad av Uber. 
  • Modellutvärdering. Utvärderingen omfattar modeller såväl som hela systemets prestanda. Här används både modellspecifika mätvärden och systemvärden. Utöver det utvärderas hårdvaran som modellerna kommer att exekveras på för att se hur väl den hanterar dessa modeller.
  • Modellimplementering. Efter att en modell tränats och utvärderats implementeras den på en dator i det självkörande fordonet.

Alla dessa steg kräver en hel del handpåläggning och stöd från ingenjörer vilket öppnar upp för misstag. Då varje steg har inbyggda beroenden till andra steg och andra system kan ett litet misstag få påtagliga konsekvenser. Det är där som verktyget VerCD kommer in i bilden. Det har skapats av Uber för att automatisera arbetsflödet samt underlätta hanteringen av olika beroenden och modellversioner. 

Egen kommentar

Kopplat till detta kan ni vi också rapportera att Ubers VD Dara Khosrowshahi är positiv till att använda självkörande teknologi från andra tillverkare och ska ha inlett samtal med relevanta aktörer. Några gissningar?

En annan Uber-relaterad nyhet är att företagets f.d. ingenjör Anthony Levandowski beordrats av en domstol i Kalifornien att betala 179 miljoner dollar till Google för brott mot villkoren i hans kontrakt och separationsavtal med Google. Han har nu ansökt om konkursskydd. Levandowski påstås ha stulit med sig flera tusentals dokument när han lämnade Google (Waymo), och som han sedan ska ha använt för att utveckla en lidarsensor för automatiserade lastbilar på Otto – som senare blivit uppköpta av Uber.

Källor

[1] Yu Guo, Khalid Ashmawy, Eric Huang, Wei Zeng. Uber Engineering. Under the Hood of Uber ATG’s Machine Learning Infrastructure and Versioning Control Platform for Self-Driving Vehicles. 2020-03-04 Länk

Sensorer

Navigering i snö med hjälp av radar

Vi har tidigare rapporterat om en radar som utvecklas vid MIT för kartläggning av geologiska mönster under vägytan. Nu har MIT-forskarna publicerat en artikel med titeln Autonomous Navigation in Inclement Weather based on a Localizing Ground Penetrating Radar med nya rön kopplat till denna radarteknik [1].

Lösningen som de beskriver i artikeln skapar en databas med unika fingeravtryck av geologiska mönster under vägytan. När bilen återvänder till den specifika platsen jämförs nuvarande mätningen med databasen för att hjälpa bilen att lokalisera sig.

Lösningen har utvärderats på en landsväg på en testbana. Resultaten visar att navigationsnoggrannheten med den nya lösningen blir i genomsnitt bara ca 2,5 cm sämre i snö jämfört med fina väderförhållanden. Resultaten visar dock att noggrannheten försämras något (blir ca 13 cm i genomsnitt) när det regnar. Detta eftersom mer vatten ansamlas i marken när det regnar, vilket leder till en större skillnad mellan databasen och nuvarande avläsningen.

Forskarna påpekar att både hård- och mjukvaran behöver optimeras innan lösningen kan användas kommersiellt.

Här kan ni se en kort video om det hela.

Källor

[1] Conner-Simons, A., MIT News. To self-drive in the snow, look under the road. 2020-02-26 Länk

Trafiksäkerhet

NTSBs utredning av dödsolyckan i Kalifornien

Den amerikanska haverikommissionen NTSB har slutfört utredningen av dödsolyckan som skedde i mars 2018 i en Tesla Model X på en motorväg i Mountain View i Kalifornien [1, 2]. 

Förarstödssystemet Autopilot hade aktiverats av föraren ungefär 19 minuter innan bilen körde in i en barriär i 114 km/h där hastighetsbegränsningen var 104 km/h. Systemet ska ha feltolkat väglinjer på motorvägen. 

Föraren uppmanades vid flera tillfällen att vidröra ratten, men han lydde inte uppmaningarna. Vidare så visar utredningen att föraren hade ett spel igång på sin telefon och under sex sekunder innan olyckan hade han inte händerna på ratten trots varningarna. 

Totalt har NTSB identifierat sju säkerhetsproblem relaterat till olyckan:

  • Förardistraktion
  • Bristande monitorering av förarens engagemang
  • Bristande riskbedömning för systemets driftsförhållanden (Operational Design Domain, ODD)
  • Begränsningar i kollisionsundvikande system
  • Otillräcklig federal övervakning av system som möjliggör delvis automatiserad körning
  • Otillräckliga krav för händelseinspelning vid användning av automatiserade körsystem
  • Bristfällig motorvägsinfrastruktur

Baserat på utredningen har NTSB förnyat sina tidigare rekommendationer samt publicerat nio nya rekommendationer som berör flera organisationer, inklusive Tesla, NHTSA och Apple. 

Enligt NTSB kunde olyckan ha undvikts ifall Autopilot designats på ett sätt så att förare inte kan inbilla sig att fordonet är helt självkörande. NTSB utfärdade säkerhetsrekommendationer angående detta 2017 och drar slutsatsen att Tesla inte följt dessa.

NTSB är också kritiska till säkerhetsorganisationen NHTSA för den otillräckliga översikten av Autopilot. Enligt NTSB borde NHTSA ha gjort mer för att skydda förare.

Apple kritiseras för att de inte utvecklat bättre system för att hindra förare från att använda mobilen i bilen.

En slutrapport från olyckan väntas inom ett par veckor. Här kan ni hitta ett tiotal olika rapporter och dokument från utredningen. 

Källor

[1] NTSB News. Tesla Crash Investigation Yields 9 NTSB Safety Recommendations. 2020-02-25

[2] NTSB. Automation and data summary factual report.

Elektronik och processorer

Topplista med beräkningsplattformar

Navigant Research har publicerat sin årliga rapport Leaderboard: Automated Vehicle Compute Platforms där de rangordnat 10 företag som tillverkar beräkningsplattformar [1]. 

Rangordningen är baserad på ett tiotal parametrar: vision, marknadsstrategi, partners, produktionsstrategi, teknologi, försäljning, marknadsföring och distribution, produktförmåga, produktkvalitet och tillförlitlighet, produktportfölj och uppehållskraft. 

Resultaten blev: NVIDIA, Intel-Mobileye, Qualcomm Technologies, Xilinx, Waymo LLC, Tesla, NXP Semiconductors, Renesas Electronics Corporation, Apple Inc., AImotive. 

Egen kommentar

Vi har inte tillgång till hela rapporten och det är svårt att säga hur Navigants metodik ser ut och vad rankningen baseras på exakt (t.ex. vilken indata som används).

Här kan ni läsa om Navigants liknande rankning från 2019 som är något bredare och omfattar 20 aktörer som arbetar med automatiserad körning. 

Källor

[1] Navigant Research. Navigant Research Leaderboard: Automated Vehicle Compute Platforms. Länk

Mobilitetstjänster, Personbilar

Självkörande taxi och lågutnyttjade tåglinjer

En forskargrupp från Schweiz har undersökt om tåglinjer på landsbygden med låg utnyttjandegrad skulle kunna ersättas med självkörande taxi. De har tittat på detta utifrån operativa aspekter som kostnad och tillgänglighet. 

Studien är baserad på en simulering där självkörande taxi framförs i ett vägnätverk med hänsyn till trängsel och moderna samordningsstrategier för hur fordonen skickas ut och fördelas i nätverket. Som konkreta exempel används fyra lågutnyttjade tåglinjer på landsbygden i Schweiz. 

Resultaten visar att självkörande taxi skulle reducera både restid och kostnad för tre av dessa tåglinjer. I det fjärde fallet skulle även manuellt framförd taxi ge bättre tillgänglighet till reducerad kostnad.

Forskarnas slutsats från resultaten tyder på att centralt samordnade självkörande taxibilar kan vara ett attraktivt alternativ för landsbygden.

Källor

Sieber, L., et al., 2020. Transportation Research Part A: Policy and Practice. Improved public transportation in rural areas with self-driving cars: A study on the operation of Swiss train lines. Länk

Okategoriserade

Toyotas utlysning for innovation

Toyota AI Venture har i partnerskap med Toyota Research Institute – Advanced Development (TRI-AD) och Toyota Research Institute (TRI) utlyst vad de kallar ”global call for innovation”.

I den efterlyser de innovationer inom flera olika områden, inklusive tillgänglighet och mobilitet med hjälp av automatiserad körning. 

Utlysningen är riktad mot startupföretag som har en fungerande prototyp och som inte fått mer än 3 miljoner dollar i extern finansiering. Sådana företag kan ansöka om finansiering från Toyota AI Venture mellan 0,5 och 2 miljoner dollar. 

Utlysningen är öppen till 30 april 2020. 

Trafiksäkerhet

Stockholmsdeklaration

Under veckan hölls FNs globala trafiksäkerhetskonferens i Stockholm med 1700 deltagare från 140 länder. Där presenterade infrastrukturminister Tomas Eneroth Stockholmsdeklarationen. Deklarationen är framtagen gemensamt av landsdelegationerna och ska ligga till grund för det fortsatta arbetet med trafiksäkerhet i världen. Den ska också lämnas in till FNs Generalförsamling för att ligga som grund till en FN-resolution om trafiksäkerhet.

Bland annat uppmanar Stockholmsdeklarationen FNs medlemsländer att minska dödsfall i trafiken med minst 50 procent till 2030, och att begränsa hastigheten till 30 km/h i områden där risken är stor för dödsfall och allvarligt skadade i trafiken.

Deklarationen nämner inte automatiserade fordon direkt utan diskuterar säkerhetsteknologi mer generellt.

Kopplat till detta kan ni också läsa Saving Lives Beyond 2020: The Next Steps. Det är en rapport som tagits fram av en internationell grupp av säkerhetsexperter på uppdrag av Trafikverket. Den presenterar nio olika rekommendationer för hur målen för hållbar utveckling kan bidra till förbättrad trafiksäkerhet över hela världen.

Källor

[1] Regeringskansli. Stockholmsdeklaration ska öka trafiksäkerheten i världen. 2020-02-19 Länk

Okategoriserade

Europas digitala framtid

EU-kommissionen har under veckan publicerat flera olika dokument med förslag och rekommendationer som på ett eller annat sätt berör automatiserade fordon:

  • White Paper on Artificial Intelligence – A European approach to excellence and trust. Här är budskapet att AI medför många möjligheter och utmaningar och att EU måste bemöta dessa på sitt eget sätt som baseras på europeiska värderingar. Man konstaterar också att EU-lagstiftningen är i stort sett tillämpbar även på AI-system men att det är viktigt att bedöma om den kan användas på ett adekvat sätt i praktiken för att hantera de risker som AI-system skapar, eller om justeringar behövs för specifika rättsliga instrument.
  • Commission Report on safety and liability implications of AI, the Internet of Things and Robotics. Här pratas det om hur man både ska kunna vara världsledande på AI samtidigt som medborgarnas rättigheter inte kränks av teknologin, som redan bjudit på skrämmande exempel när den används fel. 
  • A European Strategy for Data. Här lyfts fram behovet av att EU måste bli ett ”European data space”. Sådana utrymmen har identifierats för nio olika områden, ett av dem är mobilitet. Det väntas underlätta åtkomst, sammanslagning och delning av data från befintliga och framtida databaser för transport och mobilitet.
  • Shaping Europe’s digital future. Här täcks allt från cybersäkerhet till kritisk infrastruktur, digital utbildning till färdigheter, demokrati till media. Dokumentet ger också förslag på flera andra åtgärder som behövs på kort- och långsikt, som exempelvis europeiska 5G-korridorer för automatiserad mobilitet, interoperabilitetsstrategi för att säkerställa samordning och gemensamma standarder för säker och gränslös delning av data och tjänster inom offentlig sektor samt en europeisk strategi kring informationssäkerhet.