Kategoriarkiv: Forskningsprojekt

Att undvika kedjekollisioner

Att förutsäga framtiden är en av de största utmaningar för självkörande fordon. Men som med många saker så kan det vara lättare om man hjälps åt. Att samordna fordons medvetande och beteende är sannolikt mer effektivt än att varje fordon planerar för sig självt.

Forskare vid Cranfield University har inom ramen för Multi-Car Collision Avoidance (MuCCA)-projektet testat ett system för samarbete mellan självkörande fordon i motorvägsliknande miljö [2]. Testet visade att fordonen kunde ta ett gemensamt beslut om beteenden och på det sättet kunde de undvika både hinder och hastiga inbromsningar [1].

Projektet finansieras av Innovate UK och Centre for Connected and Autonomous Vehicles som är en del av Department for Transport och Department for Business, Energy & Industrial Strategy i Storbritannien.

Källor

[1] Institution of Mechanical Engineers. Autonomous cars given ‘human-like’ reactions to prevent crashes on shared roads. 2020-03-24 Länk

[2] The Multi-Car Collision Avoidance Project website Länk

Teknik för överlämning av kontroll

Det finns en primär utmaning med delvis automatiserade fordon och den utmaningen är överlämning av kontroll mellan fordon och förare. Med fokus på scenariot där föraren tar tillbaka kontrollen ifrån fordonet har nu en grupp forskare från Singapore, Kanada och Kina utforskat en teknik som skall göra övergången säkrare [1].

Tekniken som är baserad på haptisk feedback i två faser och gör överlämning av kontroll till en stegvis händelse, till skillnad från att ge över kontrollen direkt och fullständigt. Den haptiska feedbacken är i form av ett vridmoment i ratten som i första fasen vid överlämning av kontroll från fordonet till förare är mer bestämd (haptic guidance), och i andra fasen mindre bestämd (haptic assistance). Den förstnämnda syftar till att göra stora korrigeringar för att snabbt hjälpa föraren att återfå rätt situationsmedvetenhet och körförmåga. När förarens kontroll av fordonet nått en högre nivå så går systemet in i haptic assistance som gör lätta korrigeringar tills överföringen av kontroll är klar.

I tester fick 26 deltagare utföra två uppgifter med systemet på en testbana. Det första var att ta över kontrollen ifrån bilen, och det andra var att ta över kontrollen ifrån bilen under ett filbyte. Varje deltagare fick erfara de ovan beskrivna haptiska korrigeringsmetoderna, vilket möjliggjorde en jämförelse mellan dem.

Metoden som gjorde stora korrigeringar visade sig kräva mindre tid i överlämningen och resulterade i bättre prestanda med avseende på standardavvikelse av styrvinkel och vridmoment än metoden med långsammare korrigering. Den gav också en bättre girhastighet.

Egen kommentar

Det är ett intressant tillvägagångssätt att leda föraren till en tillräcklig situationsmedvetenhet genom en sådan här lösning i kontrast till att försäkra sig om att föraren är medveten innan systemet initierar överföring av kontroll.

Fördelen här är onekligen att överföringen blir en mer interaktiv process där föraren blir samförare under kontrollöverlämningen. Nackdelen som jag ser det är i kritiska situationer där den här processen av samkörning kan leda till en förvirring kring vem som är i kontroll. Det kan alltså bli en brottningsmatch i situationer där föraren snabbt vill ta över kontrollen men inte lyckas uppfylla parametrarna för att systemet ska bedöma att föraren är redo för det.

Källa

[1] Lv et al., Electrical Engineering and Systems Science: Systems and Control. Human-Machine Collaboration for Automated Vehicles via an Intelligent Two-Phase Haptic Interface. 2020-02 Länk

Storbritannien satsar på automatisering under svåra förutsättningar

Det brittiska finansieringsorganet Defence and Security Accelerator (DASA) har beslutat finansiera en rad nya forskningsprojekt om automatiserade fordon [1].

De kommer dela ut motsvarande 26 miljoner kronor till 21 organisationer för att utveckla lösningar som stödjer det brittiska försvarets satsningar inom automatisering under svåra förhållanden. Satsningen finansierar också utvecklingen av lösningar för utmaningar kopplade till samspel mellan människa och automatiserade system.

Bland mottagarna hittas såväl universitet som stora och små företag.

Egen kommentar

Mycket av kunskap och lösningar som utvecklas inom det militära kan ge en positiv effekt på utvecklingen av automatiserad körning i civila applikationer. DARPA Grand Challenge, som oftast betraktas som starten för automatiserade fordon, finansierades också av militären.

Källa

[1] Storbritanniens Regering. DASA awards £2m to fast-track autonomous vehicles in harsh conditions. 2020-04-02 Länk

Förutse trötthet vid autonom körning

I och med att körning med stöd av automation resulterar i en mer monoton körupplevelse så ökar risken för trötthet. Feng Zhou och kollegor från University of Michigan, University of Wisconsin och Ford har publicerat en studie där de utvecklat en teknik för att förutse trötthet innan förare själva märker att de är trötta [1]. Att kunna förutse trötthet i ett tidigt skede gör att fordonet kan göra nödvändiga beslut och handlingar som exempelvis väcka uppmärksamhet, ge över kontrollen till föraren och rekommendera en paus i körningen.

I den nya studien används PERCLOS (PERcent of time the eyelids CLOSure) – en metod för detektering av trötthet som går ut på att beräkna hur stor del av tiden som pupillerna täcks av ögonlocken. Forskarna sållade även bland 35 fysiologiska parametrar för trötthet där de kvarstående blev: hjärtslagsvariation, hjärtslag, andningsrytmsvariation och andningsrytm.

Nätverket som bearbetade datat var ett så kallat Nonlinear Autoregressive Exogenous Network (NARX). NARX kombinerar de fysiologiska mätningarna med PERCLOS för att förutsäga ett PERCLOS-värde för de kommande sekunderna. Om det förutsagda PERCLOS-värdet överstiger ett givet tröskelvärde för trötthet skickas en varning till föraren. De testade två olika modeller för prediktering med hjälp av NARX.

Forskarna validerade det förutsagda PERCLOS-värdet mot det sanna PERCLOS-värdet i en simulatorstudie med 20 deltagare. Resultaten visade att övergången till trötthet kunde detekteras 13.8 sekunder i förväg med en noggrannhet mellan 97% och 99%, beroende på vilken predikteringsmodell som användes.

Egen kommentar

Resultatet i studien är lovande för tekniken. Jag är fundersam kring PERCLOS och blink-data ifall det är pålitligt även när föraren har t.ex. ögonbesvär i form av allergier eller av någon annan anledning blinkar mer och/eller längre än vad som skulle bedömas som icke-trött.

Källa

[1] Zhou et al., Expert Systems with Applications. Driver fatigue transition prediction in highly automated driving using physiological features. 2020-06 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

MITs nya simulator

Forskare från Massachusetts Institute of Technology (MIT) har tillsammans med forskare från Toyota publicerat en studie där de visar potentialen av MITs simulator kallad Virtual Image Synthesis and Transformation for Autonomy (VISTA) [1].

När automatiserade fordon samlar data från verklig körning så lär de sig manövrera fordonet i de trafiksituationer som de blir utsatta för. Så kallade edge-cases där fordonet är nära olyckor sker dock inte så ofta, och det är utmanande att träna algoritmerna till att lära sig hantera sådana situationer. Med hjälp av simulatorer så är det möjligt att träna algoritmerna på edge-cases utan några verkliga konsekvenser.

VISTA sägs använda sig av en liten mängd data från verklig körning, för att sedan utforska ett stort antal möjliga scenarier för fordonet på vägen. Fordonet i simulatorn motiveras till att inte hamna i olyckor på vägen till sitt slutmål, och blir därmed bättre och bättre på att hantera edge-cases.

Vanligtvis har man i simulatorer en miljö som är artificiellt designad. VISTA använder sig av den videodata från den verkliga körningen, och sägs därmed ge resultat som bättre överförs mellan simulator och verklighet.

I tester så visade det sig att ett fordon som tränats i VISTA under 15 timmar och kört 10,000 km efteråt kunna köra på obekanta vägar.

Mer om det hela kan ni läsa om i MITs artikel med titel Learning Robust Control Policies for End-to-End Autonomous Driving From Data-Driven Simulation.

Egen kommentar

VISTA sägs även använda sig av förstärkt lärande utan inmatade regler förutom ”krascha inte”. Jag är nyfiken på om det är möjligt för fordonet att alls lära sig att förhålla sig till trafikregler genom den metoden. Syftet med VISTA är förmodligen inte att lära sig trafikregler, utan kanske snarare bara fokus på manövrering av fordonet i edge-cases.

Källor

[1] MIT News. System trains driverless cars in simulation before they hit the road. 2020-03-23 Länk

[2] Wiggers, K., Venture Beat. MIT CSAIL’s VISTA autonomous vehicle simulator transfers skills learned to the real world. 2020-03-23 Länk

Smart järnväg nästa?

Även om järnvägstransporter generellt har mindre att vinna på att ta bort föraren än vad vägtransporter har, så sker även där en del innovation inom maskininlärning och artificiell intelligens.

Amerikanska branschorganisationen Association of American Railroads testade i somras att köra ett förarlöst tåg på sin testanläggning i Colorado [1]. Andra tillämpningsområden är också på gång: amerikanska järnvägsjätten BNSF Railway har till exempel nyttjat maskininlärning för att förbättra och sänka kostnaderna för underhåll av såväl räls som vagnar.

Till detta kan också tilläggas att australiensiska gruvbolaget Rio Tinto sedan 2018 använder ett autonomt godståg, AutoHaul, för transport av järnmalm från Pilbara-gruvan i Western Australia. Tåget kontrolleras från ett fjärrcenter i Perth som ligger över 1500 km från gruvan. Enligt bolaget visar resultaten en betydande potential att förbättra produktiviteten, vilket ger ökad systemflexibilitet och minskar flaskhalsar [2].

Källor

[1] Justin Franz, Seattle Times. How autonomous freight trains powered by artificial intelligence could come to a railroad near you. 2020-03-10 Länk

[2] Rail Journal. Rise of the machines: Rio Tinto breaks new ground with AutoHaul. 2019-08-19 Länk

Infrastrukturen och kartors betydelse

Queensland University of Technology i Australien har precis avslutat en studie om hur viktig infrastrukturens utformning är för självkörande fordon. Under en tremånadersperiod körde forskarna en bil utrustad med en mängd olika kameror och sensorer. Totalt körde de 120 mil och samlade in 20 terabyte data som användes i syfte att testa toppmoderna AI-algoritmer [1].

Resultaten visade att i princip alla algoritmer idag är beroende av högupplöst kartunderlag för att kunna tolka skyltar och vägmarkeringar. Med enbart kameror upptäckte och förstod systemen bara cirka 40% skyltarna. Genom att lägga till kartor för att hjälpa kamerasystemet förbättrades siffran till 97%.

En slutsats var att kartsystemen kan komma att behöva uppdateras i realtid för att säkerställa att självkörande fordon ska kunna köra säkert.

Källor

[1] iMove Australia. Autonomous vehicles and Australian roads: Are they ready for each other. 2020-02-27 Länk

Miljöpåverkan av autonoma och uppkopplade fordon

I en nyligen publicerad vetenskaplig artikel ges en överblick över studier genomförda de senaste 10 åren med fokus på miljökonsekvenserna som förväntas i samband med introduktionen av uppkopplade och autonoma fordon [1].

Det finns två typer av studier som ingår i denna kartläggning. Den första typen använder sig av slutsatser om hur uppkopplade och autonoma fordon samt eldrivna fordon kommer att förändra bränsleförbrukningen, gasutsläpp, etc. Den andra typen använder sig av matematiska ramverk och tillgängliga data för att påvisa kvalitativa resultat.

I dessa studier hittades 11 faktorer som påverkade uppkopplade och autonoma fordons miljöpåverkan baserat på om det relaterade till fordonet, vägnätet eller användaren. Bland de faktorer som nämns ingår fordonsstorlek eller design, rutt, konsumentens val och penetrationsnivåer.

Källa

[1] Kopelias, P., Demiridi, E., Vogiatzis, K., Skabardonis, A. and Zafiropoulou, V.(2020). Connected & autonomous vehicles – Environmental impacts – A review. Länk

Svensk forskning: Framtiden är ljus

MICA. CoEXist. SMART. PLATT. PRoPART. PERCEPTRON. PRELAT. DENSE. Barmark. BRAVE, HATric. Ja, så heter några av projekten som ni har äran att läsa om i årets sista sammanställning av relevant svensk forskning. För varje gång blir jag mer och mer imponerad av vår forskning och forskare. Det är fantastiskt att se hur mycket görs i vårt ”lilla” land, och det här är nog bara en bråkdel av det hela! Vi behöver bara bli bättre på att sprida våra resultat, och jag hoppas att OmAD bidrar till detta. Något annat vi behöver bli bättre på är att koppla samman våra projekt till en helhet och visa hur de leder till positiva samhällsförändringar. Kanske ett lämpligt nyårslöfte?

Stort tack till er alla som bidragit till den här sammanställningen! Det hade inte varit möjligt utan era bidrag och engagemang.

Modeling driver behavior in interactions with other road usersDriver models help improve and evaluate systems for road crash mitigation and avoidance. As systems develop and address increasingly complex scenarios. Driver models also need to be developed to be able to account for the interactions among these road users. Even as we improve driver modeling with control-theory models and actual data-driven implementations, existing driver models fail to sufficiently take interaction among road users into consideration. This paper addresses this insufficiency by proposing a new operational framework to computationally model interactions among road users. For this purpose, we introduce a definition for interaction among road users. The modeling framework is demonstrated by a specific driving scenario: the overtaking of a cyclist when an oncoming vehicle may be present. In this scenario, modeling driver interaction using Unified modeling language within our framework can lead to improved crash mitigation and avoidance through tailored system activation of automated emergency braking. This is a paper that will be presented at TRA-conference next year. The work was partly carried out at SAFER and within the FFI-project Modelling Interaction between Cyclists and Automobiles (MICA). For more information contact Prateek Thalya at Veoneer (prateek.thalya@veoneer.com).

Researchers from Veoneer have also published several other relevant papers, contact Ola Boström (ola.bostrom@veoneer.com) at Veoneer for more information: 

  • Occupant activities and sitting positions in automated vehicles in China and Sweden – The 26th International Technical Conference on the Enhanced Safety of Vehicles (ESV)
  • Passenger Car Safety Beyond ADAS: Defining Remaining Accident Configurations As Future Priorities Conference: The 26th International Technical Conference on the Enhanced Safety of Vehicles (ESV)
  • Intersection AEB Implementation Strategies for Left-Turn Across Path Crashes – Traffic Injury Prevention (ADAS)
  • A Model of Indian Drivers’ Ratings of In-Vehicle Alerts to Pedestrian Encounters on Roads in India, for presentation at the coming Human Factors and Ergonomics Society’s 2019 International Annual Meeting
  • Benefits of intuitive auditory cues for blind spot in supporting personalization; ESV2019
  • Adaptive Transitions for Automation in Cars, Trucks, Busses and Motorcycles; Intelligent Transport Systems (got invited for a journal track after the ITS World Congress)
  • How do oncoming traffic and cyclist lane position influence cyclist overtaking by drivers? – Shown at ICSC and submitted to AAP journal
  • Radar Interference Mitigation for Automated Driving – IEEE Signal processing magazine
  • How do drivers negotiate intersections with pedestrians? Fractional factorial design in an open-source driving simulator – AAP
  • Modelling discomfort: How do drivers feel when cyclists cross their path? – AAP

Driver/passenger activity mapping. FFI funded DRAMA project (2018-2020) addresses knowledge building around activity identification of drivers and passengers in vehicles to improve interaction between them and the vehicle. Mapping and detecting activities at drivers and passengers is important for both UX and traffic safety. With knowledge about activites, the HMI can be adjusted to, the currently most efficient modality. If the vehicle knows the body posture of the passengers safety functions such as airbags, brakes and steering system can be adjusted by the safety systems in the vehicle. The project develops a system that can recognizes individual and interaction activities of driver and passengers in vehicles of high level of automation (SAE3+). The project studies from literature the most relevant activities of driver and/or passenger in highly automated vehicles in terms of safety and comfort. The developed prototype acquires input data from multiple cameras mounted in the cabin of a vehicle and classify the detected activities according to the chosen in-cabin activities of interest. Machine learning algorithms are used to extract timeseries of activity features including: Body poses, head position/eye gaze/face landmark, objects, dense optical flow, and detected activity/interaction. The work is a collaboration between RISE AB and Smart Eye AB. For more information contact Thanh Hai Bui (thanh.bui@ri.se) at RISE, or Henrik Lind (henrik.lind@smarteye.se) at Smart Eye AB.

Mimicking professional bus drivers. Scania and KTH Royal Institute of Technology are currently researching motion planning algorithms for autonomous buses driving in cities. The research has so far discovered that current motion planning approaches, which are suitable for passenger vehicles, are not successful at driving buses in cities. The problem arises due to the large dimensions of buses, but mostly due to the particular chassis configuration, where the wheelbase length is much shorter than the vehicle length, resulting in large vehicle overhangs. The research then focuses on how to use these overhangs to increase the maneuverability of buses driving in cities. The result is a new motion planning approach which allows buses to briefly drive with the overhangs outside of the road and over curbs, in order to drive along narrow roads and sharp turns, while ensuring the safety of the drive. The first results of this work have been recently published in the Intelligent Transportation Systems Conference 2019. The paper can be accessed via IEEE here, or arXiv here, and a video of the results here. This work was partially supported by the Wallenberg AI, Autonomous Systems and Software Program (WASP) funded by the Knut and Alice Wallenberg Foundation. For more information contact Rui Oliveira (rui.oliveira@scania.com) from the KTH Royal Institute of Technology.

CoEXist is a European project (May 2017 – April 2020) which aims at preparing the transition phase during which automated and conventional vehicles will co-exist on cities’ roads. CoEXist aims at enabling mobility stakeholders to get “AV-ready” (Automated Vehicles-ready). To achieve its objective, CoEXist have developed an assessment framework including both microscopic and macroscopic traffic models that take the introduction of automated vehicles into account. The tools developed in the framework of CoEXist are tested by road authorities in the four project cities: Helmond (NL), Milton Keynes (UK), Gothenburg (SE) and Stuttgart (DE) in order to assess the “AV-readiness” of their local-designed use cases. Swedish partners in the CoEXist project is VTI and the City of Gothenburg. Preliminary results from the traffic modelling show decreases in traffic performance in an introductory stage with lower penetration rates and AVs with limited capabilities and cautious driving logics while higher penetration rates of more advanced AVs leads to a modal change from public transport to private cars. Final event will be held in Milton Keynes (UK) on 25-26 March 2020, Homepage: https://www.h2020-coexist.eu/. Contact Johan Olstam (johan.olstam@vti.se) for more information.

SMART. The aim of the SMART project (Simulation and Modelling of Automated Road Transport) is to enhance and further develop todays state-of-the-art traffic models in order to enable analysis of future traffic systems. The project consists of two PhD projects, one focusing on microscopic traffic simulation and the behaviour of and interaction between conventional and automated vehicles, and one focusing on mesoscopic simulation and fleets of automated vehicles for public transport operations. The licentiate thesis Simulation based evaluation of flexible transit was presented by the PhD student David Leffler on June 13th, 2019. The project is carried out by VTI, KTH and LiU and is funded by Trafikverket via Centre for Traffic Research (CTR). Contact Johan Olstam (johan.olstam@vti.se) or Wilco Burghout (wilco@kth.se) for more information.

PLATT – Policylab för Autonoma Transporttjänster. Inom ramen för DriveSweden (Vinnova) har PLATT har Volvo GTT, Einride, Combitech och RISE bedrivit policyutveckling tillsammans med offentliga och kommersiella aktörer inom transportnäringen. Därigenom har vi identifierat en rad utmaningar som de sökande står inför. Det handlar både om att kunna budgetera för ansökan i form av kostnad och ledtid men också hur man vet vad som ska ingå i en ansökan. Men vi har också sett en rad olika strategier för att hantera den osäkerheten. Dels beprövade strategier som använts både specifikt inom fordonsutvecklingen och generellt inom svensk myndighetsutövning, dels nya strategier som sätter fingret på hur man kan hantera säkerheten vid införande av ny teknologi utan att hämma innovationstakten. Genom att bjuda in brett till projektets aktiviteter har vi också samlat på oss många praktiska tips på hur man som sökande både kan påverka hur lång tid det tar att få igenom en ansökan men också mängden arbete man behöver lägga ner på en framgångsrik ansökan. Tipsen belyser också aspekter som inverkar gynnsamt på hur försöksverksamheten uppfattas av omvärlden, t.ex. räddningstjänsten och allmänheten. Här hittar ni slutrapporten och projektets hemsida. För mer information kontakta Håkan Burden på RISE (hakan.burden@ri.se). 

Driving automation state-of-mind: Using training to instigate rapid mental model development. I takt med att automatiserade funktioner blir alltmer avancerade och vanliga, ökar också kraven på användarens (förarens) förståelse för korrekt användning. Inte förrän den mänskliga föraren helt kan ersättas kommer förarens förståelse av systemen vara en kritiskt komponent i att fordonet (människan tillsammans med de automatiserade systemen) framförs säkert på vägen. Finns det då något sätt att snabb-träna förare i hur man ska använda sådana system? Den nyligen publicerade studien ämnade undersöka just detta. Tidigare forskning inom förarträning och inlärning kombinerades till en tränings-metodik som sedan inkorporerades i ett träningsprogram ämnad att träna noviser i användningen av ett hypotetiskt förarassistanssystem motsvarande SAE Level 2. Resultaten indikerade inte bara att automations-träning av förare är möjlig, utan kanske viktigast av allt att de tränade förarna i betydligt större utsträckning var benägna att ingripa i situationer som krävde det (baserat på systemets begränsningar) jämfört med deras otränade motparter. Studien gjordes inom ramen för FFI-projekt HATrick. För mer information kontakta Martin Krampell (krampell@gmail.com).

PRoPART finalized. After 24 months of work, H2020 project „PRoPART”, funded by the European Global Navigation Satellite System Agency (GSA), was successfully closed. The 7 consortium partners, coming from 4 European countries have developed an RTK (Real Time Kinematic) software solution by both exploiting the distinguished features of Galileo signals as well as combining it with other positioning and sensor technologies. RTK gives the possibility of cm-level accuracy using correction data from reference stations. The innovation developed during the project can be a game changer for the future mass market of autonomous transport. The final demonstration was done in November at AstaZero and here you can see a movie and presentation material. The project was coordinated by RISE with partners from across Europe, including Scania, AstaZero and Waysure. For more information contact Stefan Nord at RISE (stefan.nord@ri.se).  

PERCEPTRON är ett FFI-projekt är ett samarbete mellan Volvokoncernen, Semcon och Chalmers som avslutas nu vid årsskiftet. Målsättningen med PERCEPTRON har varit att ta fram ett koncept för kontinuerlig datadriven utveckling vilket inbegriper infrastruktur för att ta hand om loggad data, design av neurala nätverk, träning och validering. Ett resultat av projektet är tre neurala nätverk att exekvera i fordonet för objektdetektering, detektering av filmarkeringar och vägdetektering. Nätverken har tränats på insamlad och annoterad data för lastbil på svenska vägar. En översiktlig utvärdering av hårdvara och programvara för användande neurala nätverk har också gjorts för att ge vägledning åt utvecklare. För ytterligare information kontakta projektledare Carlos Camacho, Volvokoncernen.

PRELAT är ett FFI-projekt som slutar vid årsskiftet efter fem års samarbete mellan Volvokoncernen och Chalmers. Projektet har arbetat med fully convolutional neural network för fusion av kamera och lidar i syfte att uppnå robust vägdetektion och klassificering av vägmarkeringar för lateral filhållning. Ett tidigt resultat pekar på nyttan av använda lidar för snabb och noggrann vägdetektion. Ett annat resultat från PRELAT är på vilken detaljnivå fusion av kamera och lidar bör utföras. Slutligen är ett tredje resultat hur semi-supervised training kan utformas i syfte att minska mängden kostsam annotering. PRELAT och PERCEPTRON har varit en del av den snabbt expanderande utvecklingen och användningen av neurala nätverk inom fordonsindustrin. Resultaten har bidragit med ökad förståelse och kommer att användas i framtida projekt i Volvokoncernen. För ytterligare information hänvisas till projektledare Martin Sanfridson, Volvokoncernen

Universally designed mobility for increased accessibility to societal functions. A consortium of organisations in West Sweden (Västra Götalandsregion, Västtrafik, RISE, Norconsult Astando AB, with user organisations SRF and DHR) have collaborated on a number of projects with the vision of working towards autonomous and universally designed mobility for increased accessibility to societal functions. A series of projects performed by the consortium have explored the following subjects:

  • Samverkande system för sjukresor och sjukhus (eng. Cooperative systems for medical journeys and hospitals). How a System-of-systems approach can be utilised to bridge accessibility gaps when making service journeys between public transport and hospital departments. (funded by Vinnova FFI)
  • Autonoma skyttelbussar för ökad tillgänglighet till viktiga samhällsfunktioner (eng. Autonomous shuttle busses for increased accessibility to important societal functions). Pre-study for a trial of autonomous shuttle-busses at Sahlgrenska Hospital in Gothenburg. (funded by Västra Götalandsregion kollektivtrafiknämnden)
  • Guidning till autonoma fordon för blinda, döva och dövblinda (eng. Guidance to autonomous vehicles for persons with blindness, deafness and deaf-blindness) Guiding for journeys with autonomous vehicles for people with blindness, deafness and deaf-blindness. (funded by Drive Sweden – Vinnova, Energimyndigheten och Formas)

A combination of methods including design-thinking workshops, user-trials, field studies, service-design methods and innovation processes have been utilised to ensure that user needs have been clearly understood and taken into consideration in design of potential solutions. The studies have resulted in increased understanding of the needs of users with visual impairments in autonomous transport systems and how public authorities can contribute to designing services that reduce barriers to independent travel. A large number of service improvements and solutions have been identified. Methods for using vibro-tactile communication to guide users with visual impairments to public transport have been evaluated. A plan for a one year test of autonomous busses in a hospital environment is undergoing an approval process within the regional authority. The insights gained from these projects have already begun to create value. Many solutions can be applied to existing public transport solutions. However to create future transport solutions which are created with accessibility for all from the outset, the results require more communication for example to vehicle manufacturers, city and public transport planners and more. For more information contact Steve Cook at Norconsult (Steve.Cook@norconsult.com). 

What happens to self-driving cars if the weather turns bad? Current systems offer comfort and safety in good weather. However, they often fail to sense its surroundings in visibility conditions with heavy rain, snow or fog causing the automated systems to stop their support. The DENSE project, under the ECSEL joint undertaking and co-financed by EU and national funding bodies, addresses this key challenge of autonomous driving by developing an environment perception technology that extends the performance of sensors in adverse visibility conditions. The project designs, tests and validates a generic sensor suite that enables driver assistance systems and autonomous driving systems to operate also in adverse weather. The DENSE 24/7 all-weather sensor suite combines Radar, Short-Wave Infrared (SWIR), gated camera sensor, and LIDAR. In addition, a mobile Road State Sensor assesses the road surface conditions. For maximizing efficiency, DENSE implements a high-level fusion platform integration between the individual sensors. DENSE use artificial neural networks to fuse all sensor information at pixel level, leading to an enriched and enhanced multi-spectral image. The system has been integrated in a test vehicle and demonstrated under controlled conditions in a weather chamber and evaluated under real-life conditions in Central and Northern Europe. Project duration is between June 2016-February 2020. There are 15 project partners with Daimler as coordinator. For more information visit the project website or contact Jan-Erik Källhammer at Veoner (jan-erik.kallhammer@veoneer.com).

Projekt Automatiserad vägdrift med kortnamn ”Barmark” har som målsättning att genom automatisering av drift- och underhållsfordon bidra till förbättrad arbetsmiljö, ökad resiliens samt minskade säsongsvariationer vid val av transportslag. Projektet tar fram ett fordon som kör och navigerar självständigt längs en definierad rutt samtidigt som det utför ett arbetsuppdrag och interagerar med omgivningen. Inom projektet sker fordonsanpassning exv. av bromssystem, midja och EHI styrning, utveckling och anpassning av sensorsystem exv. drönarburna radarsystem, ultraljud, GPS/Video samt utveckling och anpassning av webbaserad front-end med loggning av fordon med förare i trafik. Vidare utförs analys av infrastruktur och testscenarier inför projektdemonstrationer som kommer utföras kommande vinter- och sommarsäsong. Projektgruppen utgörs av RISE, Semcon, CIT, Peab, Swevia, Skanska, Svensk Markservice, Trafikverket, Alkit, Teade, AstaZero och Lundberg Hymas, där RISE är koordinator. Projektet pågår 2018-05-01 till 2020-08-30 och finansieras av det strategiska innovationsprogrammet InfraSweden2030, en gemensam satsning av Vinnova, Formas och Energimyndigheten samt av projektpartners. For mer information kontakta Viveca Wallqvist på RISE (viveca.wallqvist@ri.se). 

Användargränssnitt för att upptäcka oskyddade trafikanter I syfte att förbättra tilltro och acceptans för SAE nivå 3. I EU-projektet BRAVE, Bridging gaps for the adoption of Automated VEhicles som koordineras av VTI, Statens väg- och transportforskningsinstitut, bedrivs forskning för att bidra till förbättrad säkerhet och acceptans av automatiserade fordon. I projektet har VTI under hösten genomfört en studie i körsimulatorn Sim IV på Lindholmen i Göteborg. Bakgrunden till studien är att implementering av automatiserade körsystem på SAE nivå 3 i urbana miljöer utgör en utmaning, i det att återkommande och svårförutsägbara interaktioner mellan fordon och oskyddade trafikanter behöver hanteras. För att adressera utmaningen har projektet utvecklat ett koncept för användargränssnittet som håller föraren informerad om närvaron av oskyddade trafikanter i den närliggande omgivningen. Genom att göra denna typ av information tillgänglig för föraren ges hen möjlighet att avsluta uppgifter av sekundär karaktär, såsom att se på film och liknande, och i samarbete med systemet övervaka körningen fram till dess att det är säkert att återgå till sekundära uppgifter. I körsimulatorstudien fick deltagare med och utan erfarenhet av supportfunktioner på SAE nivå 2 köra i en urban miljö samtidigt som dom kunde titta på film. Nivån av information angående oskyddade trafikanter varierades över fyra betingelser: (1.) ingen information, (2.) en varning för att förmå föraren att återta kontroll när en kollision var nära förestående, (3.) en förvarning som meddelade om närvaron av oskyddade trafikanter, samt (4.) kombination av varnings- och förvarningskoncepten. Studiens resultat visar att en strategi för användargränssnittet som integrerar förvarnings- och varningsmeddelandet är den lösning som är att föredra för att förbättra säkerheten, samtidigt som förarens tilltro till systemet förbättras. Vidare visade studien att tidigare erfarenhet av SAE nivå 2 är avgörande för om strategin fungerar eller inte. Resultaten stödjer design av användargränssnitt för automatiserade körfunktioner baserat på behov, preferenser och förmågor hos förare för att säkerställa bättre acceptans och säkerhet. För mer information om projektet kontakta Niklas Strand, Ignacio Solis Marcos eller Ingrid Skogsmo på VTI eller se www.brave-project-eu eller följ projektet på Twitter @BRAVE_H2020