Kategoriarkiv: Trafiksäkerhet

Artificiell intelligens, Forskningsprojekt, Funktioner, Infrastruktur, Lagstiftning och regelverk, Mobilitetstjänster, Övriga fordon, Positionering, Samhällspåverkan, Samverkan människa - maskin, Sensorer, Trafiksäkerhet

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 users. Driver 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 

Forskningsprojekt, Miljöpåverkan, Trafiksäkerhet

Drive Me: Automation, olycksrisker och trängsel

Drive Me, som är ett Vinnova och FFI finansierat projekt där Trafikverket och Volvo Cars Corporation varit samarbetspartners, har nu publicerat två rapporter: ADEST och ADFE. Den förstnämnda behandlar frågor kring autonom körning relaterat till hållbara transporter och den sistnämnda belyser frågor kring autonom körning och energieffektivitet [1].

Trafikverkets medverkan är nu avslutad med dessa två publikationer och slutsatserna från deras insats visar på om flera intressanta prognoser. Fyra arbetspaket har ingått i projekten: testprober, trafiksäkerhet, trafikflöde och energieffektivitet. Intressant för undersökningarna i dessa projekt är att man använt naturalistiska testdata från en 30 km lång provsträcka i Göteborg (ringleden) med hastighetsgränser 70km/h och 80km/h. Fordonen som använts begränsades kapacitetsmässigt till att köra automatiserat med övervakning, där automatiserad körning som funktion endast var tillgänglig under vissa trafikförhållanden. Beslutet för att inte använda så kallad oövervakad automation togs av säkerhetsskäl. Notera att trafikförhållandena för undersökningarna var goda och beskrivs som torrt väglag, bra väder och bra väderförhållanden. 

I studierna användes data från verklig körning, data från olyckor och incidenter och trafiksimuleringar.

Några av slutsatserna från projekten är bl.a att en 20% ökning av autonoma fordon på vägarna visas kunna minska olycksrisker men samtidigt försämra trängseln i trafiken. Anledningen till försämring av trängseln är att autonoma fordon är mindre effektiva i att lösa upp köer än mänskliga förare. Det här innebär att trots förbättrad energieffektivitet med autonoma fordon i körningen så ser man samtidigt även en försämring i energiförbrukning genom ökad köer. 

Trots de nackdelar som tas upp i artiklarna så lyder slutsatsen att stora säkerhetsfördelar kan förväntas med ökning av automatiserade fordon. 

Egen kommentar

Det är intressant att man kommer till slutsatsen att fler AV’n leder till försämrade kö-tillstånd i trafiken. Det här togs även upp i artikeln vi skrev om förra veckan från MIT [2], men där man även tog hänsyn till att kollektivtrafiken automatiseras, vilket bör skapa en mer komplicerad uträkning. Sedan är frågan också beroende på till vilken utsträckning folk väljer kollektivtrafik med autonoma fordon, eller autonoma personbilar (utan samåkning) i framtiden.

Källor

[1] Ökad automation minskar olycksrisken men kan öka köerna, Trafikverket 2019-11-27 Länk

[2] MIT Energy Initiative. 2019. Insights into Future Mobility. Cambridge, MA: MIT Energy Initiative Länk

Trafiksäkerhet

Men… skulle inte AD-bilar redan finnas nu?

För några år sedan lovades det ju högt från många aktörer att de skulle komma med självkörande fordon redan runt 2020 (se allt vi skrivit om produktplaner). Men så verkar det inte bli, istället har höga företrädare för i stort sett alla stora bolag backat och sagt att det är mer komplicerat än man räknat med, att introduktionerna dröjer och när de kommer är de inte så avancerade som man tidigare sagt.

I en artikel i CNBC [1] diskuteras varför det blivit så här. Några skäl som listas:

  • Uppmärksammade olyckor har gjort att aktörerna är försiktigare
  • Oklara lagar och regelverk kring krav på förarlösa fordon gör det svårt att veta när bilarna är tillräckligt säkra
  • Man har insett att det inte räcker med att köra många kilometer för att bevisa säkerheten
  • Det stora samhällsnyttan – ökad trafiksäkerhet – kan kanske till stor del åstadkommas med förarstödssystem (ADAS), till en lägre kostnad.

Källa

[1] Lora Kolodny, Katie Schoolov: Self-driving cars were supposed to be here already — here’s why they aren’t and when they should arrive, CNBC 2019-11-30 Länk

Lagstiftning och regelverk, Tester och demonstrationer, Trafiksäkerhet

NHTSAs förslag på testprocedurer

NHTSA publicerade den 21 nov ett utkast med nio procedurer som fokuserar på att bedöma ADAS-system på testbana. De vill nu ha kommentarer från allmänheten på dessa procedurer [1].

Testerna i utkastet är olika former av olyckssenarios, där testprocedurerna varierar i hur utvecklade de är. Det som testas är de olika stödsystem som kan finnas i ett fordon med ADAS, som exempelvis döda-vinkelnvarning, nödbroms och parkeringshjälp. 

Egen kommentar

Detta kom efter att NHTSA fick kritik i en hearing den 19 nov på att de misslyckas med att upprätta strikta AV test standarder [1]. Vare sig det finns ett samband mellan arbetet på dessa test procedurer och kritiken de fick i hearingen är svårt att säga då tiden mellan är väldigt kort.

Källor

[1] NHTSA Requests Comment on Draft Test Procedures for Driver Assistance Systems, TTNews 2019-11-22 Länk

Personbilar, Trafiksäkerhet

Waymos utbildning av blåljuspersonal

Waymo gör ett försök till att utbilda krispersonal för sina självkörande fordon. I en video som företaget offentliggjort finns det instruktioner för hur blåljuspersonal kan identifiera och interagera med ett självkörande Waymo-fordon [1,2]

I videon presenteras övergripande utseende såsom logga och sensorer på fordonet. Den innehåller även instruktioner för hur man ändrar fordonets läge från självkörande till manuell körning, och hur man stänger av strömmen i fordonet.

Waymo har också under sommaren 2017 gjort övningar för sina självkörande bilar kring hur de skall anpassa körbeteendet till uttryckningsfordon i trafiken [4]

I staden Chandler (Arizona) har Waymo även börjat placera ut skyltar för upp-plockningsplatser, likt vanliga skyltar för taxiplatser [3].  

Egen kommentar

Det är ju onekligen ett bra initiativ från Waymo som testar sina bilar i trafiken där krissituationer kan uppstå, men frågan är om krispersonalen så småningom inte borde ha utbildning för de fler och fler olika varianter och märken av självkörande fordon som kommer att testas i trafiken. Går det att lansera mer generiska utbildningsprogram för den här sortens säkerhetsinstruktioner så vore det nog optimalt. 

Källor

[1] Autonomous car tester offers guide to first responders, KDRV 2019-11-22 Länk

[2] Waymo First Responders Training, Youtube 2019-11-21 Länk

[3] Why I Ride with Waymo: Micah. 2019-11-22 Länk

[4] Waymo’s self-driving vans learn how to drive near police cars, CNN 2017-06-30 Länk

Trafiksäkerhet

Michigans pilotprogram med Mobileye

I ett sexmånaders pilotprogram skall nu flera delstatliga aktörer i Michigan få Mobileye-systemet i sina fordon [1].

Totalt 100 delstatliga fordon kommer att utrustas med Mobileye-systemet i en satsning på trafiksäkerhet och framtida självkörande fordon i Michigan. Även data kring olyckor uttrycks vara intressant, vilket Mobileye-systemet kommer kunna samla in.

Egen kommentar

En sådan här satsning är intressant då Mobileye-systemet är ett ADAS-system och inte ett AD system. Resonemanget uttrycks vara att använda Mobileyes ADAS-system för att bereda vägen för framtida självkörande fordon med hjälp av data som samlas in, men mer troligt är att man huvudsakligen gör en effektiv satsning på trafiksäkerheten. 

Källor

[1] Michigan program adds mobileye collision-avoidance technology to state vehicles, News Byte 2019-11-21 Länk

Trafiksäkerhet

Kritik mot NHTSA

Vid den uppföljande hearingen i amerikanska senaten efter den preliminära rapporten om Uberolyckan fick trafiksäkerhetsmyndigheten NHTSA mycket kritik för att de inte satt upp tuffare krav på såväl tillverkare som delstater [1]. Inte minst fick man kritik för att man släppt igenom Teslas Autopilot, trots att den uppenbart är osäker. Man jämförde med problemen med Boeing 737 MAX8 som ju släpptes igenom av amerikanska luftfartsmyndigheten genom självcertifiering.

NHTSA försvarade sig med att inte vill sätta standarder för tidigt för att inte hindra innovation.

För själva Uberolyckan så ansågs såväl säkerhetsföraren, Uber – för deras system men främst för deras bristande rutiner -, delstaten Arizona, den förolyckade kvinnan och NHTSA vara ansvariga [2].

Källor:

[1] Lora Kolodny: Tesla and Uber draw scrutiny at Senate hearing on self-driving cars: ‘That’s not safe!’, CNBC 2019-11-20 Länk

[2] Brad Templeton: NTSB Hearing Blames Humans, Software And Policy For Fatal Uber Robocar Crash – But Mostly Humans, Forbes 2019-11-19 Länk

Trafiksäkerhet

Uppföljning av artikeln om Uber-olyckan

Förra veckan skrev vi en artikel om Uber-dödsolyckan och NTSBs utredning av den. I artikeln skrev vi bland annat att utredningen kommit fram till att ”Ubers mjukvara inte var programmerad att känna igen fotgängare som försöker korsa vägen där det inte finns ett övergångsställe”. 

En av våra läsare hörde av sig med synpunkten att detta inte är i linje med vad utredningen visat. Vi har nu dubbelkollat detta och i den berörda rapporten står det så här:  ”the system design did not include a consideration for jaywalking pedestrians. Instead, the system had initially classified her as an other object which are not assigned goals. As the ADS changed the classification of the pedestrian several times—alternating between vehicle, bicycle, and an other — the system was unable to correctly predict the path of the detected object.”  Vi har också följt upp detta med en specialist med god insikt i utredningen och landat i samma slutsats som vi skrev i förra brevet.

Man måste dock komma ihåg att utredningen omfattar hela 43 dokument och att ingen sammanfattning eller utdrag kan ge en rättfärdig bild av dessa. Dessutom är dessa dokument fortfarande preliminära och de kan komma att justeras efter NTSBs utfrågning som är planerad till den 19 november. Slutdokumenten publiceras alltså senare. 

Förutom den här utredningen så brottas Uber med en annan utmaning: företaget behöver antingen köpa mjukvarulicens från Waymo eller göra omfattande ändringar i sin mjukvara för självkörande fordon [1]. Detta då en oberoende utredning visat att Ubers mjukvara fortfarande innehåller beståndsdelar som före detta Waymo-anställda tagit med sig när de börjat arbeta på Uber. Enligt Uber kan detta komma att begränsa eller fördröja företagets produktion av självkörningsteknologi. 

Källor

[1] Dave, P., Reuters. Uber faces costly choices after expert finds it uses Waymo self-driving tech. 2019-11-11 Länk

Trafiksäkerhet

Utredningen om Uber olyckan klar

Den amerikanska säkerhetsorganisationen NTSB har nu slutfört utredningen om dödsolyckan som inträffade förra året i mars och som involverade en självkörande Uber-bil och en fotgängare [1]. 

Utredningen visar bland annat att Ubers mjukvara inte var programmerad att känna igen fotgängare som försöker korsa vägen där det inte finns ett övergångsställe, som ju var fallet med den avlidna fotgängaren. 

Bilens radar upptäckte fotgängaren 5,6 sekunder innan kollisionen och 5,2 sekunder innan kollisionen detekterades fotgängaren av bilens lidar. Men mjukvaran lyckades varken förstå att det var en fotgängare, eller att fotgängaren var på väg att korsa vägen. En detaljerad tabell över händelseförloppet finns i rapporten. 

I samband med rapporten analyserades också en rad andra dokument som visar att Ubers självkörande bilar var inblandade i 37 olyckor mellan september 2016 och mars 2018. I 33 av dessa fall krockade andra fordon med de självkörande bilarna.

Kommentar

Som ni kanske minns inleddes ett flertal utredningar efter olyckan liksom en parallell rättsprocess där Uber så småningom friades från ansvar. Men orsaken till olyckan har varit omstridd. Jag har inte granskat NTSBs rapport i detalj men det verkar som att den ger mycket mer information än tidigare utredningar. 

Här kan ni läsa veteranens Brad Templeton reflektioner kring den här oluckan och utredningen. 

Källor

[1] Quach, K., The Register. Remember the Uber self-driving car that killed a woman crossing the street? The AI had no clue about jaywalkers. 2019-11-06 Länk

Artificiell intelligens, Forskningsprojekt, Funktioner, Trafiksäkerhet

Hjälp i korsningar

En grupp forskare vid MIT och Toyota har utvecklat en ny modell som hjälper självkörande fordon i korsningar med sikthinder [1].

Modellen använder sin egen osäkerhet för att uppskatta risken för potentiella kollisioner eller andra trafikstörningar vid obevakade korsningar utan stoppskyldighet. Den väger in flera kritiska faktorer, inklusive visuella hinder i närheten, sensorbrus och fel, liksom hastigheten på andra bilar. Baserat på den beräknade risken kan modellen råda bilen att stanna, köra vidare i korsningen eller krypa framåt för att samla in mer data.

Modellen har utvärderats i ungefär 100 försök med fjärrstyrda miniatyrbilar som svängde vid en tät trafikerad korsning med sikthinder på en miniatyr. Dessa experiment involverade helt självkörande bilar och bilar med stödsystem. Resultaten visar att modellen hjälpte bilarna att undvika kollision i 70-100% av fallen. 

Enligt forskarna skiljer sig deras nya modell från liknande modeller som implementerats i samma fjärrstyrda miniatyrbilar som ibland inte kan fullborda en enda körning utan kollision.

Källor

[1] E&T Engineering and Technology. Autonomous vehicles get help to safely navigate tricky crossroads. 2019-11-05 Länk