Kategoriarkiv: Simulering

Aptiv öppnar upp sin databas

Genom projektet nuScenes by Aptiv kommer Aptiv att öppna upp sin databas från körning i verklig trafik i Boston och Singapore [1]. Det innebär att data från både vänster- och högertrafik finns med.

Databasen består av 1 000 scener som är 20 sekunder långa, med totalt 1,4 miljoner bilder, 390 000 lidarmätningar och 1,4 miljoner annoterade 3D-objekt. Enligt Aptiv kommer den insamlade datan från sex kameror, fem radarenheter och en lidar-enhet på varje fordon vilket ger ett 360-graders synfält runt fordonet.

Målet är att hjälpa andra forskare att utvärdera säkerheten och utveckla algoritmer för automatiserad körning. Hittills ska 1 000 personer och 200 akademiska institutioner ha anmält sig för att få tillgång till data.  

Databasen finns tillgänglig här.

Egen kommentar

Det är spännande att industrin blir alltmer öppen att dela med sig data och andra värdefulla resurser som visualiseringsverktyg. För bara två veckor sedan skrev vi om Volvo Cars E.V.A.-initiativ att dela olycksdata. Ubers AVS och Cruise Automations Worldview är andra exempel på öppna visualiseringsverktyg. 

Källor

[1] Aptiv media. Aptiv Leads Autonomous Vehicle Safety, Releases Industry’s Largest Public Dataset for Autonomous Driving. 2019-03-28 Länk

Open Innovation Lab presenteras

Under veckan hölls ett event för att presentera resultaten av forskningsprojektet Open Innovation Lab (OIL) med parterna RISE Viktoria, VTI, Volvo Cars, AB Volvo, Semcon och HiQ [1] .

Projektets syfte var att utveckla en öppen, licensfri simuleringsplattform, en verktygskedja för att stödja utveckling, test och demonstration av mjukvarukomponenter för fordon, samt att demonstrera öppen innovation baserad på dessa.

Projektet var uppdelat i två huvudaktiviteter för att uppnå detta.

Den första aktiviteten var att utveckla en öppen platform för att skapa simulatorer i vilka mjukvaruutvecklare snabbt kan utveckla, testa och visa upp sina prototyper utan att de måste ha tillgång till dyra licenser eller access till slutna miljöer där denna typ av verktyg finns tillgängliga (t. ex in-house hos OEM:erna).

Den andra aktiviteten syftade till att demonstrera öppen innovation genom att engagera universitetsstudenter att utveckla infotainment applikationer för en Volvobil genom att använda Volvos Android Automotive plattform.

 Under eventet presenterades den i projektet framtagna plattformen och på olika stationer i lokalen demonstrerades med hjälp av simulatorer exempel där prototypfunktioner integrerats med digitala tvillingar av fordon från AB Volvo och Volvo Cars. 

Projektparterna visade också hur arbetsflödet för att installera en simulatormiljö kan se ut och hur man ska göra för att integrera en ny mjukvarufunktion.

 Slutresultatet från projektet finns på projektets hemsida openinnovationlab.se.


Samverkan för Virtuell testning

Österrikiska drivlinetestföretaget AVL och mjukvaruföretaget MSC (Nastran, Adams) har börjat samverka för att skapa en komplett verktygskedja för test och verifiering av förarstödssystem (ADAS) och automatiserade fordon (AD) [1].

Inledningsvis har man tagit fram mjukvara för att generera 3D-simuleringar av komplexa trafikscenarios.

Egen kommentar

Mina erfarenheter är att det är när beräkning och provning samverkar som det ger mest. Enbart tester ger inte förståelse för den kompletta bilden av ett resultat och enbart beräkning ger inte koppling till verkligheten. Med AD så tillkommer att det inte kommer att gå att testa så mycket som krävs för att täcka alla scenarios.

Källa

[1] James Billington: AVL and MSC Software partner on virtual self-driving testing and validation, Autonomous Vehicle International 2019-03-22 Länk

Senaste från Nvidia

Under veckan höll Nvidia sin årliga GPU Technology Conference i Kalifornien, och i samband med den presenterades en uppdaterad version av plattformen för automatiserad körning Nvidia Drive AP2X 9.0 [1]. Den kommer att släppas till kunder under nästa kvartal.

Plattformen har blivit berikad med en rad nya funktioner, som exempelvis detektering om en kamera blivit blind vilket förväntas förbättra fordonens förmåga att visualisera och reagera på den fysiska världen runt dem.

En annan nyhet på plattformen är ett mjukvarulager som heter Safety Force Field (SFF) och som analyserar och predikterar dynamiken hos andra trafikanter i fordonets omgivning. Den inkluderar också kollisionsundvikande åtgärder och är validerad med hjälp av data från både motorvägs- och stadskörning. 

Utöver plattformen har företaget öppnat upp sin mjukvarusimulator Drive Constellation som är en virtuell testbana [2]. I denna ska utvecklare kunna testa sin mjukvara under olika väder- och ljusförhållanden. 

Nvidia har också lanserat en liten AI-dator kallad Jetson Nano, som riktar sig till utvecklare, tillverkare och andra entusiaster som letar efter en billig dator för att utveckla neurala nätverk, olika typer av sensorer och olika typer av robotik [3]. Planen är att börja sälja Jetson Nano i juni för 99 dollar till konsumenter och för 129 dollar till företag. Företagsmodellen av datorn ska vara testad och klar att sätta in direkt i produkter av olika slag.

Källor

[1] Nvidia. Mathematically Rigorous and Validated in Simulation, Safety Driving Decision Algorithms Protect Against Unpredictability of Real-World Traffic. 2019-03-18 Länk

[2] Nvidia. NVIDIA DRIVE Constellation Now Available — Virtual Proving Ground for Validating Autonomous Vehicles. 2019-03-18 Länk

[3] Nvidia. NVIDIA Announces Jetson Nano: $99 Tiny, Yet Mighty NVIDIA CUDA-X AI Computer That Runs All AI Models. 2019-03-18Länk

On-demand mobilitetstjänster och kollektivtrafik

En grupp forskare från ETH Zürich, Stanford och Technical University of Munich har undersökt i en simulering samordningen mellan on-demand automatiserade mobilitetstjänster och kollektivtrafik [1].

I studien utforskade de olika modeller och strategier för koordinering av multimodala mobilitetstjänster bestående av automatiserade fordon som beställs vid behov och vanlig kollektiv trafik. Utgångspunkten har varit att maximera social välfärd.

För att se hur modellerna fungerar applicerades de på verkliga data från New York City. Resultaten visar att samordningen mellan automatiserade fordon och kollektivtrafiken kan ge betydande fördelar jämfört med en mobilitetstjänst med enbart automatiserade fordon.

Källor

[1] Salazar et al., 2018. On the Interaction between Autonomous Mobility-on-Demand and Public Transportation Systems. Länk

UK: Det behövs en oberoende verifiering av autonoma fordon

Det går inte att låta tillverkarna själva stå för verifiering av komplexa system för självkörande fordon, skriver brittiska utvecklingsföretaget FiveAI i ett ramverk [1]. Istället bör man öppna upp en marknad för oberoende verifiering av dessa, för att säkra trafiksäkerhet och allmänhetens förtroende för teknologin.

Anledningen är både att säkra att man använder samma metodik vid verifieringarna, och att  även kunna validera dessa metoder – speciellt simuleringar. Simulering är och kommer att vara en viktig del i verifiering av autonoma fordon.

I ramverket skriver man också att aktörerna bör dela med sig av sina erfarenheter, och att det bör sättas upp standarder för hur självkörande fordon ska agera i speciella situationer, t.ex. om ett trafikljus är ur funktion.

Egen kommentar

Som vi tidigare skrivit så har ju Thatcham redan startat en sådan här verksamhet, dock inte så fokuserad på standardisering och simulering. Det finns säkert både behov och plats för flera aktörer. Det finns nog också ett behov av att bygga upp och dela data.

Källor

[1] Lucy Yu: “We need an industry-wide safety certification framework for autonomous vehicles”
FiveAI publishes paper as call to action, Medium 2018-11-06 Länk

Simulering nödvändig för validering

För att säkerställa att självkörande fordon är tillräckligt säkra och tillförlitliga i alla möjliga situationer så skulle det krävas tiotals miljarder km testkörning, vilket för att genomföras paradoxalt nog skulle innebära minst 3 miljoner icke validerade självkörande bilar på vägarna under en tioårsperiod. Detta är förstås inte rimligt [1].

Istället är det nödvändigt att kombinera fysiska prov med datorsimuleringar. Ett välkänt exempel är Waymo som ju visserligen har kört längst sträcka autonomt av alla aktörer, men som också satsar på simuleringar och varje dag täcker lika lång körsträcka i dator som man hittills gjort på väg.

Egen kommentar

Min erfarenhet säger att det är just när man kombinerar beräkning/simulering med fysiska prov som det ger mest. Det skapar också nya utmaningar men också nya möjligheter för testverksamheter som t.ex. svenska AstaZero.

Källa

[1] ABI Research: Simulation will be a key technology in autonomous vehicle testing and validation, Green Car Congress 2018-10-22 Länk

Toyota sponsrar CARLA

Toyota Research Institute, TRI, sponsrar den öppna simuleringsplattformen för automatiserad körning CARLA – Car Learning to Act, för att stötta samverkan och möjliggöra utbyte av information, data och algoritmer [1].

CARLA utvecklas av  Computer Vision Centre på Universitat Autònoma de Barcelona och syftar till utveckling, utbildning och validering av automatiserade urbana körsystem. Målet är att säkerställa stabiliteten i ett system av automatiserade fordon i det otal situationer som kan uppstå men inte som till fullo går att testa fysiskt.

Källor

[1] Toyota Research Institute Supports Development of Open-Source Automated Driving Simulator, Toyota pressrelease 2018-06-21 Länk

Drive Sweden Seminarium med Dr. Steven Shladover

Igår 14 maj arrangerade Drive Sweden ett seminarium med Dr. Steven Shladover, pionjär inom forskning kring automatiserade transportsystem med lång erfarenhet från University of California Berkeley. Temat för föreläsningen var de praktiska utmaningarna kring introduktionen av automatiserade fordon och vikten av uppkoppling för att möjliggöra att automatiserade fordon ska gynna transportsystemet istället för att ha motsatt effekt.

Här är ett kort referat av de olika punkterna som Dr. Shladover berörde.

Historisk översikt

Vi har redan haft automatiserade fordon utan både ratt och pedaler i över 40 år (t.ex. de tåg som kör mellan olika terminaler på större flygplatser). Skillnaden med dessa fordon mot de som nu utvecklas är att de brukas i ett stängt system där de inte behöver interagera med andra fordon eller objekt. Utmaningen nu är att utveckla system som kan hantera ett öppet system som ständigt förändras, och som dessutom inkluderar flera olika typer av objekt (människor, djur, väghinder etc.). Dr. Shladover påpekade också att den hajp som finns kring att automation ligger väldigt nära i tiden inte stämmer överens med vad tekniken faktiskt klarar av i dagsläget.  En anledning till detta är att de som rapporterar inom området (av naturliga skäl) inte är helt insatta i teknologin och övertolkar vad de olika OEM:erna och mjukvaruföretagen predikterar är möjligt inom en snar framtid.

Terminologin 

Ibland kan vissa termer stå i vägen för förståelsen för teknologin. Självkörande (self-driving) är en term som Google uppfunnit som egentligen inte säger så mycket. Robotfordon är ett annat sådant ord som kan vara vilseledande.

För att verkligen kategorisera vad ett automatiserat fordon kan göra är det viktigt att ha en förståelse för:

  1. Vilken förarens roll är.
  2. Vilken systemets roll är.
  3. Graden av uppkoppling i fordonet.
  4. Operativ designdomän (ODD) – de specifika förhållanden ett specifikt automationssystem är utformat för att fungera i, som exempelvis på motorväg eller i ett geografiskt område.

Betydelsen av uppkoppling

Uppkoppling är mycket viktigt för att möjliggöra högre nivåer av automation.  Utan aktiv uppkoppling är det mer sannolikt att automatiserade fordon kommer att försämra det nuvarande transportsystemet. Fordonen behöver kunna förhandla med varandra för att koordinera sin körning utan att utgöra en säkerhetsrisk.

Exempel på prestanda som endast kan uppnås med hjälp av kooperativa system inkluderar kolonnkörning (V2V) och hastighetsharmonisering (V2I).

Dr. Shladover menade också på att 3G/4G är tillräckligt bra för automation, det vill säga 5G är inget krav för att möjliggöra automation.

Utmaningar relaterade till detekteringssystem

Automatiserade fordon måste inte bara kunna detektera objekt, utan de behöver också kunna förutsäga hur objekten kommer att röra sig. Här ligger utmaningen i hur man kravställer tröskeln för känslighet för systemet, så att fordonet inte stannar så fort det detekterar något som uppenbarligen inte skulle orsaka skada. Sensorer behöver inkludera radar, LiDAR, högupplösta kartor, kameror och trådlös kommunikation.

För att garantera en hög nivå av säkerhet behöver systemet detektera allt, men för funktionalitetens skull behöver det endast detektera det som kan utgöra ett hot.

Utmaningar relaterade till säkerhet

För att visa på att automatiserade fordon är säkra är den första utmaningen att kartlägga vilken kombination av scenarion som ska bedömas. Det som också behöver definieras är vilken kombination av testning i sluten testmiljö, testning på offentliga vägar och simulering som är nödvändigt för att visa på att det automatiserade fordonet är säkert. Här behöver man också undersöka hur mycket som behövs av varje testtyp och hur man ska gå tillväga för att validera simuleringarna.

Utmaningar relaterade till hur media rapporterar om autonoma fordon

Dr. Shladover är också väldigt skeptisk till hur olika medier rapporterar om utvecklingen kring automatiserade fordon och bygger upp förväntningar hos allmänheten. Frustrationen ligger i hur media rapporterar att det kommer finnas fullt automatiserade fordon på vägarna inom en snar framtid, vilket skiljer sig avsevärt från det faktum att teknologin fortfarande är väldigt ung och obeprövad.

Apollo 2.5

Ett år efter att Baidu lanserat sin öppna plattform för automatiserade fordon, Apollo, lanserar nu företaget en uppdaterad version av plattformen, Apollo 2.5 [1].

Plattformen har nu fått ett bredare spektrum av applikationer och scenarier. Den inkluderar också visionsbaserad perception, relativ kartläggning i realtid samt höghastighetsplanering och kontroll.

Plattformen erbjuder också effektivare utvecklingsverktyg, bland annat ett visuellt felsökningsverktyg, en datasamlare för HD-kartor och en simulator för molnbaserad autonom körning. Dessutom kommer Apollos nyligen lanserade data- och teknikprojekt, ApolloScape, att publicera en stor datamängd relaterad till autonom körning liksom nästa generations simuleringsteknik.

Apollo har nu samlat mer än 200 000 kodrader som har laddats ner och används av över 2000 utvecklare och partners.

Totalt sett är ungefär 100 partners med i den öppna plattformen.

Källor

[1] Baidu PR. Baidu Unveils Apollo 2.5, the Newest Upgrade to its Autonomous Driving Open Platform. 2018-04-19 Länk