Alla inlägg av Cristofer Englund

Olika åsikter om automatiserad körning

Det är över tio år sedan som Google (numera Waymo) introducerade sina självkörande fordon och målade upp bilden av en framtid med självkörande taxibilar eller fordon som lät sina förare sova eller vila tillbakalutade i sätet medan de såg en film på en högupplöst skärm.

Men, varför är vi inte där ännu? Tidigare VD för Waymo, John Krafcik, som länge varit övertygad om att vi snart kommer se självkörande fordon på våra vägar har uttalat sig om svårigheterna med att utveckla självkörande fordon [2]. Hans enkla svar: samhället överskattade tekniken och vi underskattade hur bra vi människor är på att köra. Lägg därtill hur svårt det är att skapa ADAS (förarastödssystem) som ska underlätta för förare att hantera besvärliga situationer – något som beskrivs i [1] där man betonar ointelligenta komponenter i intelligenta system som en av orsakerna till denna problematik. Allmänhetens skepsis efter uppmärksammade olyckor är också en orsak till att det dröjer med introduktionen.

Ytterligare en artikel lyfter orsaker till varför introduktionen dröjer [3]. Artikeln börjar med ett citat från 2016 där Anthony Foxx, tidigare U.S. Secretary of Transportation, föreställer sig ett helt självkörande transportsystem år 2021.

Artikeln nämner två specifika utmaningar som företagen tampats med:

  1. Startuppföretagen har underskattat arbetet med att gå från prototyp till full produktion och full automation (Level 5). De har stött på för många hinder under sin forskning och sina tester som de behövt lösa.
  2. Det finns ett enormt värde i kunskapen kring automation, något de stora jättarna, Amazon, GM och nykomlingen Nuro insett då de köper upp banbrytande teknologier.

Utmaningar kring maskininlärning är också ett hinder, eftersom det idag är omöjligt att garantera att en datadriven maskininlärningsalgoritm gör 100% rätt. Hur ska man då kunna lita på ett självkörande fordon som baserar sina beslut på sådana algoritmer?

En annan utmaning är cybersäkerhet, som exempelvis när någon stört ut GPS-signalen så att fordon beter sig oväntat och farligt.

En annan utmaning som nämns är rädsla för det okända och exemplet man jämför med är från flygindustrin. Att flyga är mycket säkrare än att köra bil, ändå är vi flygrädda. Det ligger i att vi inte har kontrollen och därför blir vi oroliga och rädda. Samma utmaning förutspås bli verklighet då självkörande fordon blir vanliga.

Legendaren Chris Urmson från Aurora (de nya ägarna av Ubers ATG), menar att vi kommer få se självkörande fordon, men det kommer ske stegvis under de kommande 30 åren, eller mer.

Slutligen, en artikel som ger Google rätt och som lovordar tekniken [4] och de menar att de självkörande fordonen kommer, tidigare än många tror. De pekar på att mycket av tekniken redan finns i fordon idag, automatbroms, filhållningsassistans och adaptiv farthållare.

En av de många fördelarna, förutom säkrare fordon, och effektivare körstil som reducerar antalet skadade och sänker utsläppen, är att det kommer behövas färre fordon. En studie som omnämns beräknar att hela transportbehovet på Manhattan skulle täckas av 9000 förarlösa taxibilar, vilket ska jämföras med de 13000 taxibilar som finns där idag.

Egen kommentar

Ständigt denna debatt om när de kommer introduceras och bli tillgängliga för allmänheten. AI och machine learning (ML) lyfts ofta fram som en av de största utmaningarna eftersom det än så länge inte går garantera säkerheten. Samtidigt ses AI och ML som en förutsättning för att kunna lära fordonen att köra själva.

Faktum kvarstår att transportsystemet är komplext och vi människor drivs av olika saker som bekvämlighet, flexibilitet och punktlighet som i sin tur balanseras mot ekonomiska aspekter och förutsättningar. För att nå full potential, dvs. en fordonsflotta som är autonom, inte behöver parkeras i stadskärnor, och ger oss passagerare den flexibilitet vi är vana vid behövs säkert en lång omställningstid, kanske en generation eller längre.

Länkar

[1] The Conversation, Why we still don’t have self-driving cars on the roads in 2021. 2021-06-16 Länk

[2] Arstechnica, Waymo CEO: Building safe driverless cars is harder than rocket science. 2021-01-05 Länk

[3] Marketwatch, Opinion: You will not be traveling in a self-driving car anytime soon. Here’s what the future will look like. 2021-06-16 Länk

[4] Investopedia, How Google’s Self-Driving Car Will Change Everything. Länk

Baidu och BAIC planerar robotaxi

Baidu och BAIC-koncernens elfordonsmärke ARCFOX slår sig samman och bildar Apollo Moon, en ny generation av robotaxi som skall kunna massproduceras. Priset per fordon beräknas till RMB 480 000, vilket motsvarar 640 000 kronor; en tredjedel av vad ett normalt automatiserat fordon på SAE-nivå 4 kostar.

Ledningen för projektet planerar att introducera 1000 robotaxibilar inom tre år i Kina.

Nyligen påbörjade Baidu Apollo själva att introducera robotaxi i städer som Beijing, Shanghai, Guangzhou, Congqing.

Källor

[1] Cision PR Newswire. Baidu and BAIC Group’s ARCFOX Brand Collaborate to Launch Apollo Moon Robotaxis, Plan Mass Production at Affordable Costs. 2021-06-17 Länk

Automatiserade lastbilar allt vanligare

Tusimple öppnar ny hub. TuSimple beslutade i onsdags att öppna en ny hub i Alliance, Texas, i syfte att skapa en triangel för transporter med automatiserade fordon mellan Dallas, Houston, San Antonio och Austin. Därmed ökar de sitt vägnätverk med 3000 miles (4800 km). TuSimple säger att de ska börja köra transporter med självkörande fordon inom 6 månader. TuSimple gör teknik som monteras på lastbilar och ägs av bl.a. Traton (som även äger Scania), Navistar och UPS [1].

Locomation och PGT Trucking i nytt samarbete. Locomation, världens första teknikplattform för platooning med manuellt framförda lastbilar har annonserat att de ingår ett åttaårigt samarbetsavtal med PGT Trucking, som är ledande inom transporter med öppna flak (flatbed transportation). Målet är att ha 1000 lastiblar igång inom projektet. Deras system bygger på att lastbilarna kör i par. Det främre ekipaget körs av en förare och den efterföljande lastbilen kan köras autonomt under tiden dess förare vilar eller gör andra saker. Systemet beräknas totalt spara 30% av kostnaderna för transporten varav 8% kommer från lägre bränsleförbrukning [2].

Länkar

[1] Automotive News. TuSimple’s self-driving truck network expanding eastward via Texas. 2021-06-16 Länk

[2] Cision PR Web. Locomation and PGT Trucking Inc. Agree To Deploy Autonomous Relay Convoy. 2021-06-10 Länk

Varför behövs Explainable AI (XAI)?

Våra liv är fyllda av förklaringar. Vi går till doktorn för att få vår onda axel undersökt. Doktorn säger till dig att vila armen och undvik tunga lyft. Dessutom får du ett recept på ett läkemedel. Du undrar direkt, varför behöver jag ta medicin? Du vill också få reda på vilken diagnos doktorn ställt på min axel? Och hur lång tid kommer det ta innan den blir bra? Du frågar efter mängder av förklaringar.

Legendaren Lance Eliot har skrivit en artikel om varför förklarande AI (Explainable AI, XAI) behövs för autonoma fordon [1].

Utmaningen ligger i att ställa rätt fråga och att den som förklarar förstår på vilken nivå förklaringen ska ges. Inte sällan sker förklaringen under en dialog allteftersom mer och mer information faller på plats hos den som ställer frågor.  

När människor interagerar sker denna dialog naturligt. Men vad händer om vi interagerar med en maskin, ett system eller ett autonomt fordon? Inga av dagens AI-baserade system har tillräcklig förmåga att fullständigt känna igen en människas beteende eller tal och därmed får AI-systemet problem att kunna engageras i en naturlig dialog med sina användare.

Tänk dig situationen när du åker i ett autonomt fordon som plötsligt tar en annan rutt än den vanliga eller att fordonet du färdas i plötsligt bromsar kraftigt. I ett vanligt fordon skulle du fråga chauffören varför detta plötsliga beteende. Men hur ska det ske i ett fordon utan mänsklig förare? Ska passageraren koppla upp sig till kundtjänst eller fjärrkontrollcenter?  Det skulle inte skala särskilt bra med flera hundra tusen fordon som samtidigt är ute och kör.

XAI är en mycket viktig komponent för att skapa autonoma fordon. Lämpliga och lägliga förklaringar till fordonets beteende kan vara avgörande för att vi användare ska kunna lita på fordonet.

Sammanfattningsvis, vi som åker med autonoma fordon kommer vilja ha förklaringar av olika slag från fordonet. Ett kostnadseffektivt och lättillgängligt system som kan ge dessa förklaringar skulle förkroppsligas av ett XAI som baseras på det AI-system som kör fordonet.

Egen kommentar

Som AI forskare inses lätt nyttan med denna typ av system, tänk om Alexa eller Siri förstod allt jag vill eller undrar! Samtidigt finns ett spännande kunskapsgap mellan vad som är möjligt att visualisera med avseende på information som ligger till grund för ett beslut i ett AI/Machine learning-system och ett system som kan interagera med en användare och som förstår innebörden av grunderna i beslutet.

Källa

[1] Lance, E, Forbes. Explaining Why Explainable AI (XAI) Is Needed For Autonomous Vehicles And Especially Self-Driving Cars. 2021-04-24 Länk

Metoder för att upptäcka okänd data utan inlärning

Machine Learning (ML) och speciellt Deep Learning (DL) har visat sig vara mycket effektiva och kraftfulla för att lära sig att känna igen mönster, beteende och egenskaper.

En känd egenskap hos ML är att algoritmerna kan vara extremt bra på data som finns inom den rymd som använts för träning, men extremt dåliga på data som ligger utanför träningsrymden. De är alltså bra på att generalisera, men sämre på att extrapolera. För att detektera data som ligger utanför träningsrymden, tränas ofta nätverk som lära sig se skillnad på ”känd data” och ”okänd data”, genom att presentera exempel från båda klasserna. Problemet är dock att det dels finns många dimensioner i datat (speciellt när indata är bilder) och dels blir det snabbt opraktiskt att samla data på objekt som inte är relevanta för nätverket.

Forskare från Georgia Tech och Samsung, har nyligen publicerat en artikel kring hur nätverk kan tränas, utan att använda data data som ligger utanför träningsrymden [1].

Artikeln presenterar en metod som använder sig av signaler som finns inne i ML nätverken. De skapar sannolikhesfördelningar över hur signalerna beter sig för de olika kända klasserna. Genom att jämföra dessa fördelningar med hur signalerna ser ut för ny data som presenteras för nätverket, lyckas de med hög säkerhet avgöra om den nya datan kommer ifrån den kända eller okända datarymden.

Egen kommentar

Denna metodik har studerats inom Vinnova FFI projektet SMILE II även där med stor framgång [2].

Källor

[1] Hsu, Yen-Chang, et al. ”Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data.” arXiv preprint arXiv:2002.11297 (2020).

[2] Slutrapport SMILE II https://www.vinnova.se/globalassets/mikrosajter/ffi/dokument/slutrapporter-ffi/elektronik-mjukvara-och-kommunikation-rapporter/2017-03066eng.pdf

Autonoma fordon som trafikledare

Forskare på UC Berkeley utvecklar ett trafikledningssystem baserat på maskinlärning för att automatiserade, semi-automatiserade och manuellt framförda fordon effektivt ska kunna dela på vägrummet. Flow, som det nya systemet kallas, ska kunna hantera stora trafikmängder mer effektivt än ett traditionellt ledningssystem utan stöd av AI [1] [2].

I Flow kan automatiserade fordon använda data från närliggande fordon och infrastruktur för att skapa ett bättre trafikflöde, och på så sätt kan dessa fordon bli trafikledare. De kan exempelvis undvika flaskhalsar genom att tidigt känna igen mönster som kan skapa problem och automatiskt anpassa hastigheten så att dessa undviks. Vissa forskare hävdar att endast 4-5% av fordonen behöver ha denna funktionalitet för att få en positiv effekt.

Systemet är moln-baserat och open source för att förenkla vidareutveckling från andra forskare och utvecklare.

Egen kommentar

På RISE gjorde vi ett projekt för ett tag sedan där vi simulerade ”cooperative speed harmonization” för att öka flödet på E6 mellan Olskroksmotet och Gullbergsvass i norrgående färdriktning där det ofta bildas köer. Resultaten visar också att redan med 5% av uppkopplade fordon som använder funktionen så ökade flödet genom Tingstadstunneln [3].

Källor

[1] Turning Autonomous Cars into Traffic Managers, Machine Design. Länk

[2] Flow på github. Länk

[3] Englund, Cristofer, Lei Chen, and Alexey Voronov. ”Cooperative speed harmonization for efficient road utilization.” 2014 7th International Workshop on Communication Technologies for Vehicles (Nets4Cars-Fall). IEEE, 2014. Länk

Waymo och Google använder AutoML för att bygga Machine Learning

Waymo, kända för sina självkörande fordon, är väl förtrogna med machine learning (ML) som de använder i nästan alla delar av sina fordon, från att läsa av omgivningen, att förutsäga hur trafikanter i närheten kommer agera och bestämma det egna fordonets nästa rörelse.

Med ett samarbete med Google AI och forskare från ”the Brain team” har forskare börjat undersöka möjligheten att använda ett ML-baserat system, AutoML, för att anpassa sina modeller till olika städer och miljöer. Frågan som samarbetet jobbar med att söka finna svar på är: kan AutoML generera högpresterande och snabba Neural Networks för en bil? Med prestanda menar de hur precision i svaren från näten och med snabbhet menar de hur snabbt nätet kan leverera ett svar. 

För att hitta en bra arkitektur för ett neuralt nätverk görs mycket manuellt arbete med att kominera olika typer av byggblock, t.ex. antal gömda noder och inlärningsfunktioner etc. 

Med hjälp av AutoML kunde de automatiskt kombinera dessa byggblock och på så sätt förbättra prestanda på två olika sätt: nya nätverk som var signifikant snabbare, fast med liknande precision och nätverk med högre precision fast med liknande snabbhet.
Alltså, genom att kombinera olika byggblock kunde de utforska olika konfiguration av nätverken. Så, med denna kunskap ville de även prova att skapa helt nya typer av nätverk. 

Eftersom det tar dagar att utvärdera en ny arkitektur skapades mini-problem baserade på original-problemet, dvs. bildsegmentering. Miniproblemen kunde analyseras på några timmar och nu kunde AutoML mjukvaran användas för att testa inte bara nya byggblock utan helt nya arkitekturer. Det som annars skulle ta år att köra på servrarna med multipla grafik-kort tog nu några timmar. 

Resultaten var enastående, 10 000 nya arkitekturer kunde skapas automatiskt, och testas på ett par veckor (istället för över ett år). Nätverk som var 20-30% snabbare och med mellan 8-10% högre precision kunde automatgenereras.

Källa:

[1] Automating the design of machine learning models for autonomous driving, Waymo 2019-01-15 Länk

Vatten och AI

En rapport från ”Center of U.S. auto manufacturing” höjer ett varningens finger kring prestanda hos AI-baserade algoritmer för objektidentifiering i samband med regn. Hayder Radha, professor vid Michigan State University, bekräftar detta problem och säger: I tester missar algoritmen ca 20% av alla objekt i lätt regn, om regnet tredubblas, dubbleras felfrekvensen. Även till synes små förändringar som färgskiftningar på grund av årstiderna kan påverka fordonens radar och lidarsensorer säger Prof. Radha.

Trots dessa utmaningar storsatsar bl.a. Hyundai på AI-teknologi för självkörande fordon. De har bl.a. investerat i startupföretaget Allegro.ai. Även Boston-baserade företaget Optimus Ride satsar med Nvidias Drive AGX Xavier plattformar för att starta en flotta med självkörande fordon i specifika områden t.ex. högskolekcampus och andra zoner för självkörande fordon.

Källa: 

[1] George Leopold: Study Pours Cold Water on AI Driving Algorithms, Datanami 2019-01-02 Länk

Multiantennsystem för förbättrad positionering inomhus och för autonoma fordon

I veckan som gått försvarade Dr. Marco Marinho vid Högskolan i Halmstad sin avhandling som handlar om hur multiantennsystem kan används för noggrann positionering, både i inomhusmiljö och utomhus för autonoma fordon.

Multiantennsystem används redan i bl.a. wifi-routrar och mobilmaster för att förbättra kommunikationen. Den nya tekniken som presenterades i avhandlingen har fokuserat på att öka noggrannheten i positionering. Resultaten visar att noggrannheten i positioneringen bli så hög som 1 cm.

Forskningen har framförallt handlat om energieffektivisering inom systemet samt interaktion mellan mobila enheter och stationära sensornätverk. Tekniken har även studerats praktiskt för att möjliggöra kommunikation mellan fordon i lastbilskonvojer.

Egen kommentar:

Att förbättra positionering med hjälp av trådlös kommunikation är ett bra komplement till traditionella SLAM-algoritmer. Med så bra noggrannhet som rapporteras i avhandlingen så kommer det möjliggöra många nya applikationer, allt från navigering för autonoma fordon och flygfarkoster till inomhusnavigering för räddningsinsatser vid bränder.

Källor:

[1] Louise Wandel: Multi antenna systems improve indoor positioning and autonomous vehicles, Högskolan i Halmstad 2018-03-05 Länk

Fler undersökningar kring attityder till självkörande bilar


Tidigare i veckan rapporterade vi om en studie i USA och Tyskland där bilförare visade sig skeptiska till att låta sig transporteras i självkörande fordon.

Det finns forskning på nära håll också som visar på liknande resultat. SOM-institutet på Göteborgs Universitet har tillsammans med forskning.se gjort en undersökning där 1600 svenskar ingick och som visar att vi är något mer positiva till att använda självkörande bilar: knappt hälften säger att de inte håller med om att ”Jag kan tänka mig att använda en självkörande bil när sådana finns på marknaden” [1].

Människors attityd till självkörande fordon är något som det forskas kring inom projektet  ”Självkörande bilar: förändringar, förväntningar och upplevelser”. Det är ett tillämpat etnografiskt forskningsprojekt, finansierat av Vinnova, där forskare från Högskolan i Halmstad och Volvo Cars samarbetar för att öka förståelsen kring vad som händer med oss människor när vi använder självkörande bilar på publika vägar.

Även i Storbritannien har en studie utförts kring användaracceptans kring självkörande bilar. Det är det brittiska projektet UK Autodrive och Cambridge University som gjort undersökningen där 2800 personer svarat på frågor som berör  bl.a. om de skulle använda automatiserade fordon [2]. I Storbritannien svarar endast 15% att de absolut inte skulle sätta sig i en självkörande bil, att jämföra med 30% av svenskarna och 50% av undersökningen i USA & Tyskland som vi skrev om i tisdagens nyhetsbrev.

Källor:

[1] Eva Barkeman: Skulle du sätta dig i en självkörande bil? Forskning.se 2017-08-22 Länk

[2] Survey finds UK public still “open minded” about self-driving vehicles, UK Autodrive 2017-08-08 Länk