Vissa Audi-bilar har sedan 2017 kunnat varna varandra för olyckor, trasiga fordon utmed vägen, trafikstockningar, halka och begränsad sikt med hjälp av V2X kommunikation. Nu har företaget tagit det hela ett steg vidare med hjälp av svärmdata från svenska NIRA Dynamics som gör att varningen blir snabbare och mer exakt [1]. Lösnningen är gjord i samarbete med Car.Software och HERE Technologies. 

Information om vägfriktion samlas in med hjälp av bilsensorer. Sensordata anonymiseras, både i själva bilen och när de överförs till NIRAs molnlösning. I molnet kombineras sensordata från många bilar med exempelvis aktuell och historisk väderinformation, och överförs sedan till tjänsteleverantören HERE där den integreras med detaljerad platsinformation. Vid behov skickar HERE varningar till de bilar som befinner sig i eller är på väg mot områden med dåliga vägförhållanden.

Källor

[1] Audi Media Center. Precise data for greater safety: Audi warns its drivers faster about slippery roads. 2021-03-08 Länk

För att mäta hur medvetna förare är om vad som händer i trafiken runtomkring dem när de använder förarstödssystem har forskarna vid forskningsinstitutet IIHS tagit hjälp av en nallebjörn [1]. En gigantisk sådan klädd i en varseljacka. Den spändes fast på baksidan av en bil som sedan färdades på samma motorvägssträcka som en testbil. Under experimentet som varade en timme blev testbilen omkörd av nallebilen tre gånger. Vid varje omkörning befann sig nallebilen i ungefär 30 sekunder framför testbilen.

Testbilen var en 2019 Mercedes-Benz C300 som var utrustad med förarstödssystem motsvarande nivå 2 enligt SAE-skalan. Den framfördes av en testförare. Totalt deltog 31 testförare i experimentet och de delades upp i tre grupper:

• Grupp 1: De som regelbundet använde liknande nivå 2-system i sina egna fordon fick köra med testbilens förarstödsystem påslagen.
• Grupp 2: De som hade liten eller ingen erfarenhet av liknande nivå 2-system fick köra med testbilens förarstödsystem påslagen.
• Grupp 3: De som inte alls kände till nivå 2-system fick köra testbilen utan dessa system påslagna. 

Testförarnas blickbeteende spelades in med hjälp av kameror monterade i testbilen. Efter experimentet fick testförarna berätta om de hade sett något konstigt och hur många gånger.

Resultaten tyder på betydliga skillnader mellan de tre grupperna vad det gäller blickbeteendet och hur många gånger de såg nallen under färden. Testförarna tillhörande Grupp 2 (oerfarna) var dubbelt så benägna att missa nallen jämfört med de två andra grupperna. Grupp 2 testförare var också mer benägna att rikta blicken framåt. Testförarna tillhörande Grupp 1 var bäst på att upptäcka nallen och ange rätt antal gånger den dykt upp. De som upptäckte nallen förflyttade sin blick runt i trafiken och många av dem noterade nallen redan vid omkörning. 

Dessa resultat tyder på att förarstödssystem motsvarande nivå 2 har potential att förbättra förarnas situationsmedvetenhet efter att de har fått erfarenhet av att använda sådana system. Oerfarna förare kan däremot ha svårare att hålla reda på vad som händer i trafiken när de använder okänd teknik.

Och nallen? Nallen klarade sig i trafiken (puh!) och enligt forskarna var det ett kostnadseffektivt sätt att studera situationsmedvetenhet på. 

Källor

[1] IIHS. IIHS pioneers new method for testing driver attention. 2021-03-02 Länk

I samband med artikeln om Motionals tester utan förare i Las Vegas skrev vi ”Hittills har bara ett fåtal företag testat automatiserade fordon på allmän väg utan någon säkerhetsförare bakom ratten: Waymo (Phoenix), Cruise (San Francisco), Yandex (Las Vegas), AutoX (Shenzhen).”. Den här listan med företag gäller bara robotaxi och är inte helt komplett om man tar hänsyn till alla andra typer av automatiserade fordon som testats eller testas på allmänna vägar. Vi har bl.a. Einride på tunga sidan som kört utan förare på allmän väg utanför Jönköping. Tack till vår uppmärksamma läsare!

Vidare så har vi fått in en kommentar om Motionals kommentar att personen i passagerarsätet inte behövt göra några ingripanden:

Viktigt utöver antal ingripanden är:

• Hur ofta bilen, enligt andra trafikanter, uppför sig illa. T ex överdriven försiktighet. Hur ska man mäta det?
• Hur ofta bilen vägrar att köra beroende på väder etc?

Vi har också fått in en kommentar i samband med vår artikel om Euro NCAPs tester av förarövervakning (Driver Monitoring Systems, DMS):

Det finns ett lagkrav på gång som heter Driver Drowsiness and Attention Warning (DDAW) där man ska ha Karolinska Sleepiness Scale (KSS) som benchmark. Problemet är att KSS inte fungerar så bra. Man lägger in en ground truth som inte är bra/funkar för att man inte har något annat. Följden blir att systemdetekteringar kommer behöva anpassas för att matcha KSS istället för att sträva efter att förbättra trötthetssystemet. 

Stort tack för dessa upplysningar!

Förarmodeller är viktigt för att förverkliga potentialen med automatiserade fordon. De kan användas som ett stöd i designprocessen för att säkerställa att man designar för säkra interaktioner mellan förare och automatiserade fordon.

En nyligt publicerad rapport från USA tar avstamp i en litteraturundersökning som ger en översikt över överlämningar mellan förare och automatiserade, för att sedan redogöra för en körsimulatorstudie med lastbilar körandes i kolonn (platoon) [1]. Därefter utvecklades ett antal förarmodeller som predicerar förarens beslutsfattande, bromsningsbeteende och styrresponser utifrån verklig körning.

Rapporten lyfter framförallt vikten av visuella parametrar som exempelvis visaul looming (objekt som rör sig i en riktning mot föraren och snabbt expanderar i storlek) för förarens styråtgärder och interaktioner. Vid överraskande övertagandesituationer som berodde på automationsfel påverkades förarens reaktionstid av tiden till kollision (TTC) snarare än typen av automationsfel.

Egen kommentar

Här i Sverige har vi framgångsrikt arbetat med övertagandesituationer vid automationsfel och förarmodellering i SAFER-projekt så som SHADES [2], QUADRA [3], och nu senast QUADRAE [4]. Sammanfattningsvis kan sägas att ämnet är fortsatt aktuellt och att det finns behov av mer forskning.

Källor

[1] McDonald, D.A et al., Safe-D National UTC, Texas A&M University och Virginia Tech Transportation Institute. Modeling Driver Behavior during Automated Vehicle Platooning Failures. Länk

[2] SHADES. Länk

[3] QUADRA. Länk

[4] QUADRAE. Länk

Idag kommer OmAD med en fördjupning i Tysklands nya regelverk för automatiserade fordon. Den är dock på engelska men vi hoppas att ni har överseende med detta – det är lite lättare att läsa än på tyska (i alla fall för min del). Stort tack till vår RISE kollega Cilli Sobiech och Policy Lab för den upplysande sammanfattningen!

Utöver det hittar ni en god blandning av några andra artiklar, precis som det ska vara inför helgen. Trevlig helg!

• AutoSec, som handlar om informationssäkerhet inom fordonsbranschen, kommer att hållas online den 4 mars 2021. Agendan samt anmälningsformuläret hittar ni här.
• Vill ni tävla? Då kan 2021 IEEE Autonomous Driving AI Test Challenge vara något för er. Tävlingen äger rum online mellan den 23 och 26 augusti. Mer info om det hela hittar ni här. Lycka till!
• Wallenberg AI, Autonomous Systems and Software Program (WASP) har en utlysning för industridoktorander med deadline den 7 april. Mer info om detta hittar ni här.
• Vad kommer AI att ha för effekt på våra samhällen? Det är en fråga som diskuteras här.
• AI och edge computing är ämnen som nämns alltmer. Här kan ni höra lite mer om dessa ämnen kopplat till mobilitet.

Folksam och Veoneer genomför nu enkät kring användning av förarstödssystem (ADAS) och om du är nyfiken på den och vill bidra till forskningen med dina svar så kan du delta via den här länken.