Kategoriarkiv: Simulering

Waymos 2,6 miljoner kilometer

Förra veckan publicerade Waymo två artiklar som ger insyn i (a) företagets säkerhetstänk och (b) interaktioner med andra trafikanter [1].

Den ena heter Waymo’s Safety Methodologies and Safety Readiness Determinations och som titeln indikerar beskriver den hur företaget arbetar med säkerheten. I grova drag beskriver den ett metodramverk som är uppdelat i tre ämnesområden, eller lager som de själva kallar det:   

  • Hårdvaran, inklusive själva fordonet, sensor-, styr- och bromssystemet samt datorplattformen.
  • Körsystemets beteende, som att undvika kollisioner med andra bilar och följa trafikreglerna.
  • Drift, som flottans verksamhet, riskhantering och ett fältsäkerhetsprogram för att lösa potentiella säkerhetsproblem.

Den andra heter Waymo Public Road Safety Performance Data och beskriver datainsamlingen i Phoenix inklusive antalet körda mil och antalet ”kontakthändelser” som Waymos fordon har haft med andra trafikanter. Artikeln baseras på två datamängder: a) data insamlad utan säkerhetsförare bakom ratten under perioden 1 januari 2019 till 30 september 2020 samt b) data insamlad med en säkerhetsoperatör bakom ratten under perioden 1 januari 2019 till 31 december 2019. Totalt handlar det om 1,6 miljoner körda amerikanska mil, motsvarande 2,6 miljoner kilometer. Här är det viktigt att notera att en simulerad ”kontakthändelse” omfattar händelser där det automatiserade körsystemet avaktiverats av säkerhetsföraren och där efterhandssimuleringar av typen ”what if” visat att en ”kontakthändelse” skulle inträffat i verkligheten om inte säkerhetsföraren agerat i tid. 

Enligt Waymos egna analys av dessa händelser var företagets fordon inblandade i 47 ”kontakthändelser” med andra trafikanter, inklusive andra fordon, fotgängare och cyklister. Av dessa händelser, inträffade 18 i verklig trafik, medan 29 inträffade i simulering. Vidare konstaterar analysen att ingen av händelserna ledde till allvarliga eller livshotande skador då de inträffade i låga hastigheter, och att nästan alla dessa händelser var den andra trafikantens fel. Företaget har dock klassificerat 8 händelser allvarliga eller potentiellt allvarliga – där hade bilens krockkuddar aktiverats. 

Påkörning bakifrån av andra bilister var den vanligaste typen av händelse och inträffade i totalt 15 fall. I ett fall var det Waymos egna fordon som körde på fordonet framför sig. Ett annat vanligt förekommande händelse var sidokollision i korsningar som inträffade i 14 simulerade fall.

Bara en händelse inträffade när det inte fanns någon säkerhetsförare bakom ratten. Även där handlade det om en påkörning bakifrån. Waymos fordon rullade långsamt och stannade vid rött ljus när det bakomvarande fordonet körde i det med hastigheten 36 km/h.  

Analysen visar också att bara en ”kontakthändelse” inträffade när det fanns passagerare i fordonet. 

Sist men inte minst presenteras en jämförelse med amerikansk olycksstatistik, som bland annat visar att typen av händelser som Waymo fångat upp vanligtvis inte redovisas i olycksdatabaser baserade på polisrapportering. Publikationen betonar dock att jämförelser med andra olycksdata är oerhört svåra och bör göras med stor försiktighet.   

Egen kommentar

Som ni vet har flera aktörer under de senaste åren presenterat sina säkerhetsrapporter gällande testning av automatiserad körning. Det här är dock de mest detaljerade publikationerna som vi sett hittills, och förhoppningen är att fler aktörer kommer publicera liknande analyser snart. 

Förutom själva siffrorna som presenteras i analysrapporten så är olyckstypologi och analysmetoder också viktiga bidrag. Typologin i sig är inte ny, den är baserad på ISO 26262 med svårighetsgrader S0, S1, S2 och S3, där S0 motsvarar ingen förväntad mänsklig skada och S3 motsvarar förväntad kritisk mänsklig skada. Men tillämpning av den i det här sammanhanget är ny och kommer säkerligen att anammas av fler aktörer. 

Att utforska simulerade olyckor med ”what if” metoden är inte heller nytt men Waymos publikation stärker vikten av denna: som vi ser av analysen ovan är faktiska olyckor (lyckligtvis) ovanliga och då är det ännu viktigare att undersöka händelser som kunde ha resulterat i en olycka. 

Jag kan dock inte låta bli att undra om Waymo hade skrivit den här publikationen om resultaten visat något annat?! Förhoppningsvis ja, för jag tror att Waymo är väl medvetna om att transparens och tillit till företaget kan i slutändan vara de avgörande faktorerna för vem som ”vinner” racet kring självkörande fordon.  

Källor

[1] Waymo. Sharing our safety framework for fully autonomous operations. 2020-10-30 Länk

Smått och gott

  • Drive Sweden Forum med fokus på framtida mobilitet äger rum den 9 september 2020 och hålls online. Länk
  • Foretellix lanserar en plattform för säkerhetsverifiering av förarstödsystem och system för självkörning. Länk
  • Tyska FEV håller på att ta fram en testmetod för automatiserad körning upp till och med nivå 3 enligt SAE-skalan. De testar bl a ett kökörningssystem (traffic jam chauffeur) i hastigheter upp till 60 km/h som de själva utvecklat. Testerna äger rum runt om Köln på förutbestämda vägar. Länk
  • Monet, som ägs av Toyota och Softbank, har lanserat ett nytt fordonskoncept med förbättrat luftflöde som en Covid-19 åtgärd. Länk
  • Nyfiken på kvantdatorers framtid i fordon? Då får du en översikt här: Länk

NuScenes än större

Det publikt tillgängliga datasetet NuScenes blir nu än större. Motional, ett samarbete mellan Hyundai och Aptiv, har meddelat att NuScenes nu tillförts 1,4 miljarder annoterade lidarpunkter samt 100 000 annoterade bilder som valts ut för att illustrera svåra trafiksituationer [1].

Kommentar

NuScenes har sedan något år ansetts vara ett ledande dataset. Initiativ för att öppna upp data insamlad från självkörande fordon har sedan dess följts av flera andra aktörer såsom Ford och Waymo.

Källor

[1] Motional. Motional expands groundbreaking nuscenes datasets to enable a safer, smarter autonomous driving industry. 2020-09-02 Länk

FLIRs värmekameradata

FLIR Systems som utvecklar värmekameror för förarstödssystem (ADAS) har meddelat att de tillgängliggjort värmekameradata från sex europeiska städer: London, Paris, Madrid, Toledo, Granada och Malaga [1].

Datasetet innehåller 14 353 annoterade bilder från dagtid, nattetid, olika vägtyper och olika väderförhållanden. Likt företagets två andra dataset som spelats in i San Francisco och Santa Barbara har man även den här gången annoterat bilar, andra fordonstyper, personer, cyklar och skyltar.

FLIRs dataset hittar ni här.

Egen kommentar

Det är oklart om FLIRs nya dataset är gratis, och i så fall till vem. Företagets två tidigare dataset har varit gratis så det kan mycket väl vara så att även det nya är det.

Vi skrev även i förra nyhetsbrevet om att Scale.AI tillgängliggjort kameradata här. Aktörer inom fordonsautomation kan finna nytta i att träna algoritmer med hjälp av existerande ”gammalt” data nu när färsk data blir begränsat på grund de rådande omständigheterna med covid-19 [2]. Några företag som för tillfället riktat in sig på träning i simulatorer och virtuella miljöer är: Embark Trucks, Aurora Innovation, General Motors.

Källa

[1] FLIR. FLIR Releases First European Thermal Imaging Dataset for Automotive Driver Assistance Development. 2020-05-27 Länk

[2] Field, H., MIT Technology Review. Self-driving cars are being trained in virtual worlds while the real one is in chaos. 2020-05-22 Länk

Ford delar ännu mer data

För att öka takten i utvecklingen av bra algoritmer har Ford nu valt att dela med sig av en omfattande mängd av den data som några av deras självkörande fordon samlat in. Den data som vi tidigare berättat att Ford släppt var av mycket mer begränsad mängd.

Den aktuella datan täcker in många olika slags miljöer från ett helt års körning med flera fordon och innehåller olika vädertyper som sol, regn och snö. Datan görs tillgänglig gratis till akademi och ej vinstdrivande forskningsinstitutioner.

Egen kommentar

Betydelsen av att dela data mellan aktörer har länge ansetts vara viktig för utvecklingen. Insamlad sensordata brukade dock anses vara superhemlig. Detta har ganska nyligen ändrat sig men Ford är inte först. Såväl Waymo som Lyft, Audi, nuTonomy/Aptiv, Daimler, KIT och UC-Berkeley har släppt sensordata.

Källor

[1] Lockwood, T. Let’s Get Technical: Ford Offers Self-Driving Dataset to Spark Research and Development 2020-05-05 Länk

Lästips

Ligger Sverige i framkant vad det gäller lastbilsplatooning? Ja, i alla fall enligt veteranen inom området Richard Bishop. Han var med på slutkonferensen för Sweden4Platooning (S4P) och drog slutsatsen att Sverige kan vara ledande i Europa (Länk). Ni kan också passa på att läsa projektets slutrapport samt en rapport om affärsmöjligheter som publicerats nyligen.

Regelverk i Kalifornien. För närvarande har man möjlighet att få ett testtillstånd i Kalifornien som tillåter transport av resenärer i självkörande fordon med en mänsklig säkerhetsförare bakom ratten. Man har också möjlighet att få testtillstånd för att transportera resenärer utan någon mänsklig säkerhetsförare i fordonet (Zoox, AutoX, Pony.ai, Waymo och Aurora har ett sådant tillstånd). Inget av dessa tillstånd tillåter att man tar betalt från resenärerna. Det sistnämnda kräver dessutom att fordonet övervakas av en fjärroperatör. Nu har myndigheterna börjat utforma ett regelverk för mer omfattande tester och/eller kommersialisering. Men detta är inte smärtfritt och har sina utmaningar. Länk

Safety first. Brittiska startupföretaget StreetDrones som fokuserar på mjukvaruutveckling för självkörande fordon i stadsmiljöer har publicerat en säkerhetsrapport kallad Safety First. Där beskriver de sitt sätt att jobba med säkerhet. Den är i linje med andra liknande rapporter – ganska generell. Länk

Prediktioner. Victoria Transport Policy Institute (VTPI) i Kanada publicerade 2013 en rapport med titeln Autonomous Vehicle Implementation Predictions – Implications for Transport Planning. Den försöker förutsäga hur autonoma fordon kommer att påverka transporter de kommande decennierna. Varje år sedan dess uppdateras rapporten. I slutet av mars publicerades den senaste uppdateringen. Jag noterade följande slutsats: ”This analysis indicates that Level 5 autonomous vehicles, able to operate without a driver, may be commercially available and legal to use in some jurisdictions by the late 2020s, but will initially have high costs and limited performance.”  Länk

EU-projekt. Är du nyfiken på vad man kommit fram till i EU-projekt ARCADE, CoEXist, TransAID, EU ITS Platform, INFRAMIX, STAPLE och DIRIZON? I mars höll de en gemensam resultatkonferens och Connected Automated Driving (CAD) drog bl.a. följande slutsatser: ”Many infrastructure aspects are covered by several different approaches in the different projects. So it would be beneficial to further structure the discussions of the area physical and digital infrastructure by the functionalities that are needed from the vehicles, e.g. by differentiation by applications/aims such as direct vehicle support, traffic management, maintenance and enabling new mobility services. A key element is that the discussions and activities are carried out at a very concrete level.” Presentationsmaterialet finns att tillgå här. Länk  

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

Autonoma fordon som trafikledare

Forskare på UC Berkeley utvecklar ett trafikledningssystem baserat på maskinlärning för att automatiserade, semi-automatiserade och manuellt framförda fordon effektivt ska kunna dela på vägrummet. Flow, som det nya systemet kallas, ska kunna hantera stora trafikmängder mer effektivt än ett traditionellt ledningssystem utan stöd av AI [1] [2].

I Flow kan automatiserade fordon använda data från närliggande fordon och infrastruktur för att skapa ett bättre trafikflöde, och på så sätt kan dessa fordon bli trafikledare. De kan exempelvis undvika flaskhalsar genom att tidigt känna igen mönster som kan skapa problem och automatiskt anpassa hastigheten så att dessa undviks. Vissa forskare hävdar att endast 4-5% av fordonen behöver ha denna funktionalitet för att få en positiv effekt.

Systemet är moln-baserat och open source för att förenkla vidareutveckling från andra forskare och utvecklare.

Egen kommentar

På RISE gjorde vi ett projekt för ett tag sedan där vi simulerade ”cooperative speed harmonization” för att öka flödet på E6 mellan Olskroksmotet och Gullbergsvass i norrgående färdriktning där det ofta bildas köer. Resultaten visar också att redan med 5% av uppkopplade fordon som använder funktionen så ökade flödet genom Tingstadstunneln [3].

Källor

[1] Turning Autonomous Cars into Traffic Managers, Machine Design. Länk

[2] Flow på github. Länk

[3] Englund, Cristofer, Lei Chen, and Alexey Voronov. ”Cooperative speed harmonization for efficient road utilization.” 2014 7th International Workshop on Communication Technologies for Vehicles (Nets4Cars-Fall). IEEE, 2014. Länk

Ike väntar med vägtester

Amerikanska starten Ike, som utvecklar teknologi för självkörande lastbilar, har nu liksom andra företag släppt en rapport om sina vägtester. Ike testar på allmänna vägar men bara för att samla in data. Dessa tänker man sedan använda så långt som möjligt i simuleringsmiljöer och bara genomföra validerande vägtester när man inte kommer längre [1].

Egen kommentar

Kanske inte så unikt att man börjar med simuleringar, det är ju både dyrare och svårare än simuleringar. Men samtidigt så finns det ju en ökande kritik mot de som bara samlat mil, att det inte räcker och i själva verket skulle ta väldigt många år innan man kan bevisa att en teknik är tillräckligt säker bara genom tester på allmänna vägar. Det krävs alltså andra sätt. Kanske Ike har hittat ett?

Källa

[1] John Elkin: Self-driving truck company wants to test without ever using public roads, Digital Trends 2019-10-15 Länk

Argo AI öppnar upp sina data

Startuppföretaget Argo AI (som ägs av Ford) har nu beslutat att öppna upp en delmängd av sina data för självkörande fordon, inklusive högupplösta kartor [1]. Datasetet går under namnet Argoverse och är insamlad på vägar i Pittsburgh och Miami. 

För tillfället innehåller Argoverse 113 scenerier och över 300 000 trajektorier, inklusive vänstersväng och körfältsbyte. Det finns också ett API för att koppla ihop kartdata med sensorinformation. 

Egen kommentar

Argo AI är inte ensamma om att öppna upp delar av sina data. Andra exempel inkluderar Cruise Automation, Aptiv, Uber och Waymo. 

Källor

[1] Korosec, K., TechCrunch. Self-driving car startup Argo AI is giving researchers free access to its HD maps. 2019-06-19 Länk