Kategoriarkiv: Forskningsprojekt

Forskningsprojekt, Samverkan människa - maskin

Autism och automatiserade fordon

I en rapport från Mineta Transportation Institute (MTI) i Kalifornien undersöker forskaren Caroline Rodier hur olika nivåer av fordonsautomation kan stötta personer med autism när de kör bil [1].

Individer diagnostiserade med autism har till olika grad svårighet med beslutstagande, social perception, motorik, sensorisk perception och sensomotorisk integration, och det antas därmed att det kan påverka deras förmåga att köra bil.

Hon har vidare gjort en teoretisk undersökning kring hur och till vilken nivå olika förarstödssystem kan stötta personer med autism när de kör bil. Exempel på system som hon undersökt inkluderar varningssystem, styrningsstöd och bromssystem.

Slutsatsen är att fordon med automationsnivå SAE 2-4 och givetvis 5 kan vara till hjälp för personer med autism. Som ett nästa steg föreslås en praktisk utvärdering av stödet som dessa system kan ge till personer med autism för att sedan kunna tillgängliggöra finansiering av sådana fordon till personer med autism.

Egen kommentar

Eftersom autism är ett väldigt brett begrepp så kan jag tänka mig att det är utmanande för forskare att generalisera sina resultat kring körförmåga och autism.

Det behövs nog en undersökning på individnivå för att dra slutsatser om en person kan bli hjälpt av nämnda stödfunktioner, och det är just det som författaren föreslår.

Källa

[1] Rodier, C., MIT. The Potential for Autonomous Vehicle Technologies to Address Barriers to Driving for Individuals with Autism. 2020-04 Länk

Forskningsprojekt

Studie om alkohol och autonoma fordon

I en ny enkätstudie om alkohol och självkörande fordon visar resultaten att det finns en risk för mer alkoholkonsumption för människor i framtiden när självkörande fordon är tillgängliga [1].

Av de 1334 personer som deltog i studien så visade det sig att hälften kunde tänka sig att åka i ett självkörande fordon efter alkoholkonsumtion. Vidare konstaterade en tredjedel att de kunde tänka sig dricka mer alkohol om de planerade att använda ett självkörande fordon.

Studien har genomförts av en grupp forskare från Curtin University i Australien och finns publicerad under titeln The potential effects of autonomous vehicles on alcohol consumption and drink-driving behaviours [2].

Egen kommentar

Framtida ”uppgifter” för passagerare i självkörande fordon skulle kunna bli att till exempel kommunicera med nödhjälp eller fjärrövervakare. Hur ska det då fungera om någon är totalt onykter?

Källor

[1] Mirage News. Study finds driverless cars reduce drink-driving but lift binge drinking. 2020-03-30 Länk

[2] Booth, L., Norman, R., & Pettigew, S., Wiley: Drug and Alcohol Review. The potential effects of autonomous vehicles on alcohol consumption and drink‐driving behaviours. 2020-03 Länk

Etik, Forskningsprojekt

Sova i självkörande bilar?

En enkätstudie utförd av SavvySleeper, ett amerikanskt forskningsföretag med fokus på sömn, undersökte om människor kan tänka sig att sova i självkörande bilar [1].

Av de 1000 deltagande i studien så visade det sig att ca 34% var villiga att sova i självkörande bilar, medan ca 41% svarade att de aldrig skulle sova i en självkörande bil, och ca 13% svarade att de skulle vara bekväma med att göra det.

Anledningen till att inte vilja sova i självkörande fordon rapporteras vara bristen på kontroll över fordonet och brist på trilltro för andra bilister.

Egen kommentar

Frågan om att sova i en självkörande bil är delvis lik frågan om att vara alkoholpåverkad i en självkörande bil. Det är i min mening inte säkert att självkörande fordon kan hantera precis alla uppgifter och att passagerare inte har något ansvar alls.

Ni som har tillgång till Wall Street Journal kan också läsa en annan artikel på samma tema – där intervjuas Mikael Ljung Aust, forskare och säkerhetsexpert vid Volvo Cars.

Källa

[1] Connected Automated Driving. Are you willing to sleep in your self driving car? 2020-04-09 Länk

Forskningsprojekt, Lastbilar, Personbilar

Nya projekt vid Virginia Tech

Virginia Tech Transportation Institute (VTTI) har ihop med 16 andra aktörer inlett ett nytt projekt med fokus på lastbilar, Automated Trucks and Mixed Fleets [1]. Syftet är att förse lastbilsindustrin, myndigheter och allmänheten med praktiska riktlinjer för integrering av automatiserade körsystem.

Riktlinjerna kommer att omfatta bästa praxis för driftsättning av den nya teknologin, förarutbildning, installation och underhåll, inspektionsförfaranden, försäkring, väginfrastruktur, data och cybersäkerhet. I projektet kommer man framförallt att beakta system för integrering i befintliga fordon. Systemen väntas vara av olika automationsnivå.

Projektet kommer att pågå i fyra år. Det finansieras av U.S. Department of Transportation via Automated Driving System Demonstration Grants program (ca 7,5 miljoner dollar) samt av Virginia Department of Transportation och projektmedlemmar. Totala summan anges inte. 

De involverade aktörerna är: Virginia Department of Transportation, Nebraska Department of Transportation, Pennsylvania Department of Transportation, Tennessee Department of Transportation, West Virginia Division of Highways, Wyoming Department of Transportation, I-95 Corridor Coalition, Pronto, Peloton, Schneider National, Hub Group, National Private Truck Council, Penske Truck Leasing/Penske Logistics, Travelers, MRIGlobal och Commercial Vehicle Safety Alliance.

Parallellt med detta kommer VTTI att bedriva ett annat forskningsprojekt kallat Automated Driving Systems and Public Safety som också fått 7,5 miljoner dollar i finansiering från U.S. Department of Transportation [2]. Där kommer man utforska och demonstrera hur fordon med hög automationsgrad kan implementeras utan att ha negativ påverkan på allmänhetens säkerhet. Som ett konkret exempel anges samverkan mellan sådana fordon och tillsynsmyndigheter som polisen vid olyckor på motorväg. Bland deltagarna nämns Transurban, Virginia Department of Transportation, Global Center for Automotive Performance, ett konsortium av fordonstillverkare samt olika säkerhetsmyndigheter. 

Egen kommentar

Som ni kan se är det en imponerande lista med involverande aktörer i båda projekten, och förhoppningsvis kan de tillsammans snabba på implementering av den nya tekniken. 

Själv har jag stora förhoppningar på lastbilsprojektet, speciellt med tanke på att de fokuserar på eftermarknadslösingar. Som de själva beskriver finns det mycket att vinna på där, både från säkerhets- och från effektiviseringsperspektivet. Givet aktörsammansättningen kommer projektet att titta på både system för enskilda fordon och fordon som kör i kolonn (platoon), och därmed täcka ett brett behovsområde. 

VTTI är onekligen rätt aktör att leda sådana här initiativ. Genom åren har de genomfört flera stora projekt kring lastbilar, däribland Strategic Highway Research Program (SHRP2) där forskarna från SAFER Vehicle and Traffic Safety Centre at Chalmers fick en viktig roll för datainsamling och analys. De har också varit ansvariga för den ökända studien om förarbeteende i personbilar, 100-Car Naturalistic Driving Study. VTTI får årligen forskningssponsring på över 45 miljoner dollar, har en infrastruktur som är värd över 110 miljoner dollar och bedriver forskning med mer än 100 privata och offentliga partners inom transportsektor. 

Källor

[1] VTTI. $7.5 million study to develop operational plan for mixed truck fleets. 2020-03-31 Länk

[2] VTTI. Virginia Tech Transportation Institute awarded grants for automated vehicle research. 2019-09-18 Länk

Elektronik och processorer, Forskningsprojekt

Denso startar forskningscenter

Världens näst största underleverantör till fordonstillverkarna, japanska Denso, har meddelat att de sjösatt ett femårigt samarbete med det prestigefyllda Tokyo Kogyo-universitetet [1].

Satsningen kallas DENSO Mobility Collaborative Research Center och kommer bemannas av personal från både Denso och Tokyo Kogyo-universitetet. Det enda namngivna forskningsområdet är värmeavledning för fordonskomponenter. Vid sidan av detta nämns att undersöka möjligheter till samarbete inom elektronik, halvledare, elkraft, mekanik samt kommunikation.

Satsningen presenterades samtidigt som Densos samarbete med samma universitet inom maskininlärning drar igång [2].

Egen kommentar

Den tillgängliga informationen verkar på det hela relativt vag. Väldigt lite om specifika satsningar eller vilken storleksordning det rör sig om har framgått. Att Denso har muskler nog för att göra skillnad står dock bortom tvivel.

Källor

[1] Green Car Congress. DENSO and Tokyo Tech establish DENSO Mobility Collaborative Research Center. 2020-04-03 Länk

[2] DENSO. DENSO and Tokyo Tech Establish DENSO Mobility Collaborative Research Cluster. 2020-04-01 Länk

Forskningsprojekt, Funktionell säkerhet, Kommunikation, Kooperativa system, Personbilar, Positionering, Sensorer, Tester och demonstrationer

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

Forskningsprojekt, HMI

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

Finansiering, Fordon, Forskningsprojekt, Samverkan människa - maskin, Teknologi

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

Forskningsprojekt, Sensorer

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

Artificiell intelligens, Fordon, Forskningsprojekt, Funktionell säkerhet, Informationssäkerhet, Inspiration, Okategoriserade

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