Kategoriarkiv: Teknologi

Känsloigenkänning i autonoma fordon

En forskargrupp från Florida Atlantic University’s College of Engineering and Computer Science har utvecklat en sensor för detektering av känslor och humör av personer inne i fordonet [1].

Lösningen heter ”Adaptive Mood Control in Semi or Fully Autonomous Vehicles” och tanken med lösningen är att anpassa förarstödsfunktioner och autonoma fordons beteende efter förarens och passagerarnas känslomässiga tillstånd. Exempelvis ska man kunna tillämpa en försiktigare körstil ifall föraren eller passagerarna är obekväma och rädda. Teknologin använder sig av ansiktsuttryck, värmekamera samt sensorer på bilens ratt och stol.

Egen kommentar

Den här sortens teknik utvecklades också av Affectiva som nyligen blev uppköpt av det Göteborgbaserade SmartEye, vilket vi skrev om här.

Jag kan passa på att tipsa om smartphoneappen som utvecklats av Affectiva där man kan prova på känsloigenkänning med sin selfie-kamera. Ni kan ladda ner appen för Android här och för Iphone här.

Källa

[1] Florida Atlantic University. Techxplore. Invention uses machine-learned human emotions to ’drive’ autonomous vehicles. 2021-06-16 Länk

Nvidia planerar att köpa upp Deepmap

Förra veckan skrev vi att startuppföretaget Deepmap lanserat en ny karttjänst kallad RoadMemory. Nu kan vi rapportera att företaget kommer att köpas upp av Nvidia [1]. Uppköpet väntas bli färdigt under tredje kvartalet 2021.

Planen är att integrera Deepmaps teknik med Nvidias egna Drive-plattform som idag används av flera aktörer. Målet är att kunna erbjuda kartor med en hög grad av precision för självkörande bilar som hjälper dem lokalisera sig i världen ner på centimeter-nivå. Kartorna ska också uppdateras ofta så att de har den senaste informationen om vägarnas status.

Det framgår inte vad notan kommer att landa på.

Egen kommentar

Jag tror att det här är ett win-win affärsöverenskommelse. Deepmap får ett starkt företag bakom sig som har etablerade samarbeten i fordonsbranschen, och Nvidia får Deepmaps IP samt en grupp riktigt duktiga ingenjörer. 

Källor

[1] Shapiro, D., Nvidia. NVIDIA to Acquire DeepMap, Enhancing Mapping Solutions for the AV Industry. 2021-06-10 Länk

Waabi satsar på lastbilar

Waabi är namnet på ett nytt startuppföretag från Toronto som utvecklar mjukvara som möjliggör automatiserad körning [1]. Siktet är inställt främst mot att automatisera långdistanstransporter med lastbilar. 

Enligt företaget själva har de en “AI-first approach” som i grova drag betyder att de kombinerar djupa neurala nätverk med mer traditionella statistiska metoder. Detta för att göra beslutsprocessen mer spårbar och för att undvika att lära de neurala nätverken allt från grunden. Förhoppningen är att på det här viset kunna skala upp tekniken snabbare och billigare än andra aktörer. 

Waabi grundades av Raquel Urtasun som har arbetat med datorseende på bl.a. Uber Advanced Technology Group (innan de köptes upp av Aurora). Företaget har fått en finansiering på 83,5 miljoner dollar av en del tunga aktörer inklusive Khosla Ventures, 8VC, Radical Ventures, OMERS Ventures, BDC, Uber och Aurora.

Företaget har kontor i Toronto och i Kalifornien.  

Egen kommentar

Att Waabi grundats och leds av en kvinna, som dessutom fått stöd av så många tunga aktörer, har väckt stor uppmärksamhet i media. Waabi är alltså ett av väldigt få startuppföretag som arbetar med automatiserad körning som grundats av en kvinna. Exempel på andra startuppföretag som leds av kvinnor är Zoox och Waymo, men ingen av dem har grundat dessa företag. I Sverige har vi Linnéa Kornehed Falck som är Einrides medgrundare. Låt oss hoppas att vi snart får fler ”Linnéor”!

För övrigt är det svårt att säga vad som skiljer Waabi från alla andra liknande startuppföretag. Men att de lockat så stor investering, inte minst från Aurora som själva utvecklar mjukvara för automatiserad körning, är optimistiskt och jag gissar på att de har något kort i rockärmen som inte framgår i media. 

Källor

[1] Waabi. Waabi launches to build a pathway to commercially viable, scalable autonomous driving. 2021-06-08 Länk

MobilityXlab har valt nya startuppföretag

Den Göteborgsbaserade samarbetshuben MobilityXlab väljer två gånger om året ut några startups att stötta. I denna omgång har sex svenska och sex utländska (europeiska) hightech-startupföretag valts ut.

De svenska bolagen är Datator Lab (In-cabin tech), Dpella (Affordable AI), Emsense (Sensor software innovation), Lolo (Serverless Compute och Networkless Connectivity), Omen Technologies (Sensor software innovation) och Radchat (Sensor software innovation) [2].

Dessa kommer under minst ett halvårs tid erbjudas direkt återkoppling och stöd från MobilityXlabs internationella medlemsföretag CEVT, Ericsson, Veoneer, Volvo Cars, Volvo Group, och Zenseact [1].

Källor

[1] Djurberg, J., A., Computer Sweden. De är Göteborgs hetaste startupgäng – när industrin får välja. 2021-06-09 Länk

[2] MobilityXlab. Twelve startups selected to collaborate with six world-leading Swedish companies. 2021-06-08 Länk

Högupplösta kartor

Nästan alla aktörer som utvecklar automatiserad körning använder sig av högupplösta kartor. Här kommer två nyheter som handlar just om sådana kartor:

  • Startuppföretaget DeepMap har lanserat en ny karttjänst kallad RoadMemory [1]. Den baseras på massdata (crowdsourcing) som samlas in från fordonsensorer så som kameror, radar och lidar. Viktigt i detta är att den är sensoragnostisk vilket innebär att fordonstillverkare kan använda sensorer från olika tillverkare. Det är framförallt förarstödssystem som den nya karttjänsten riktar sig mot. DeepMap har kontor i Palo Alto och i Peking. 
  • Startuppföretaget Carmera har lanserat en ny funktion i sin befintliga kartjänst som fokuserar på att upptäcka ändringar i vägmiljön [2]. Den nya funktionen heter Inventory Map och håller befintliga konsument- och högupplösta kartor uppdaterade vad det gäller vägskyltar, trafiksignaler och vägmarkeringar. Sådan information läses av fordonssensorer. Initialt har funktionen satts i drift i San Francisco-området ihop med kartleverantören Ushr Inc. Där har man, enligt Carmera själva, under de första fyra veckorna av driften kommit fram till att ingen av ändringarna som Inventory Map upptäckt funnits i offentliga register från vägoperatörer. Detta trots att nästan hälften av dessa ändringar innebar en ändring av trafikregler. 

Egen kommentar

Många aktörer använder just kartor från vägoperatörer som referens (ground truth), och om dessa kartor är dåligt uppdaterade blir kartor så klart en utmaning, och rentav en begränsning för storskalig kommersialisering av autonoma fordon. På så sätt är kartfunktioner som den från Carmera intressanta. Dock undrar jag vad som krävs för att man ska våga förlita sig på en sådan funktion och använda den som referens?

Här kan ni läsa om ett annat relaterat ämne: deepfake geography.

Källor

[1] Deepmap. DeepMap Announces RoadMemory, a Highly-Scalable and Economical Mapping Service, Enabling Hands-Off Driving Everywhere. 2021-06-03 Länk

[2] Carmera. CARMERA Launches Inventory Map, Provides Live Look at Road Changes for Autonomous Driving and More. 2021-06-03 Länk

V2X pilot i Storbritannien

Vodafone, Nokia, Chordant, Centre for Connected and Automated Vehicles (CCAV) och Midlands Future Mobility (MFM) har tillsammans utvecklat en molnbaserad plattform för mobilitet som de nu börjat testa i West Midlands-regionen i Storbritannien [1]. 

Det handlar om en öppen plattform som beskrivs som landets första cellulära ”fordon-till-allt” (V2X) system. Den möjliggör att väginformation så som uppdateringar om körfältsavstängningar, hastighetsbegränsningar och trafikincidenter kan visas i real tid i användarens telefon. Tanken är att sådan information i framtiden också ska kunna visas i fordonet. Plattformen använder sig av 4G och 5G cellulär kommunikation och är uppbyggd på så sätt att den tar platsinformation från användarens telefon och aggregerar den med information från andra källor för att skapa en helhetsvy över situationen som sedan distribueras till relevanta trafikanter.

Egen kommentar

För att relatera detta till liknande aktiviteter på hemmaplan kan vi referera till Drive Sweden Innovation Cloud som använts i flera projekt för att demonstrera liknande funktioner och tjänster. 

Källor

[1] Vodafone. Trial of the UK’s first mobile ‘vehicle-to-everything’ road safety system goes live. 2021-06-04 Länk

Bättre säkerhet vid skolzoner

Varje år dör i USA över 100 personer och ytterligare 25 000 skadas i kollisioner med fordon i skolzoner och vid skolbusshållplatser. Med anledning av detta har Audi of America, Applied Information, Blue Bird, Fulton Co. School System, City of Alpharetta och Temple Inc demonstrerat en lösning som baseras på trådlöskommunikation (V2X) [1].

Med hjälp av en kommunikationsenhet i infrastrukturen skickas en visuell- och ljudvarning till förare som är på väg in till en skolzon eller som närmar sig en skolbuss. Demonstrationen ägde rum i staden Alpharetta i delstaten Georgia, och har inkluderat både LTE och 5G som kommunikationslösning. 

Egen kommentar

För ungefär 10 år sedan genomfördes ett EU-projekt på det här temat kallat SAFEWAY2SCHOOL som bland annat VTI, Linköpings universitet och Mälardalens högskola deltog i. Om någon av alla lösningar som föreslagits där implementerats har jag dessvärre ingen information om. Någon som vet?

Källor

[1] Audi Newsroom. Audi and partners demonstrate potential to help improve school bus and school zone safety through C-V2X deployment. 2021-05-20 Länk

Baidu satsar på smart infrastruktur

Den kinesiska sökmotorjätten Baidu, som den här månaden lanserade tester av kommersiell robotaxi i Peking utan säkerhetsförare (vilket vi skrev om här), offentliggjorde nyligen ett samarbete med Tsinghua University kring smart infrastruktur [1].

Tsinghua Universitys institut vid namn AI Industry Research (AIR) har hjälpt Baidu utveckla teknologi för smart infrastruktur och Vehicle-to-Everything (V2X) kommunikation som samarbetspartnerna kallat för Apollo Air.

Teknologin kan förse fordonen med information från döda vinklar och annan relevant information som fordonet inte kan registrera själv. Teknologin sägs ha testats i Baidus autonoma fordon i specifika trafikområden i Peking, Guangzhou och Cangzhuo än så länge.

Källa

[1] Apollo Auto. Medium. Baidu and Tsinghua University Introduce Apollo Air to Empower Autonomous Driving with Roadside Sensing. 2021-05-14 Länk

En ny uppdatering av SAE J3016

Nu är väntan över – en ny uppdatering av SAE J3016 Recommended Practice: Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles är äntligen här [1]. Uppdateringen har gjorts i samarbete mellan SAE International och International Organization for Standardization (ISO). Det handlar dock inte om några stora ändringar. Nedan kan ni läsa min tolkning av några ändringar som kan vara värda att lägga på minnet. 

  • Det nya dokumentet verkar göra ett nytt försök att tydliggöra skillnader mellan SAE-nivå 3 och 4. De har nu tryckt på att den främsta skillnaden ligger i s.k. fallback (reserv). Ett automatiserat körsystem (ADS) motsvarande SAE-nivå 3 bör lämna tillbaka kontrollen till en mänsklig förare om det inte kan fortsätta på grund av funktionsstörningar eller under de driftsförhållanden som det är designat för. Till skillnad från ett system på SAE-nivå 2 är dock överlämningar på nivå 3 inte omedelbara, vilket ger en ouppmärksam förare lite tid (ej definierat hur mycket exakt) att göra sig redo för ett övertagande. Nivå 4 å andra sidan kan erbjuda en mänsklig förare att ta över kontrollen men ska aldrig använda en mänsklig förare som reserv. Ett sådant ADS måste kunna ta hand om sig självt inom sina avsedda driftsförhållanden och lösa sina ”problem” utan att förvänta sig något stöd från en mänsklig förare.
  • I den uppdaterade versionen återfinnes definitionen av två nya termer: fjärrhjälp (remote assistance) och fjärrkörning (remote driving). Fjärrhjälp definieras som vägledning som ges till ett fordon utrustat med ett ADS i situationer där det är oklart för ADS vad det kan göra på egen hand. En mänsklig operatör som tillhandahåller fjärrhjälp tar inte över köruppgiften utan kan exempelvis tala om för fordonets ADS var det kan köra. Det övergripande målet här är att se till att resan med ADS kan fortsätta. Fjärrkörning å andra sidan är när en mänsklig operatör (fjärrförare) tar över delar eller hela köruppgiften från ADS i realtid, utan att befinna sig i fordonet. Med andra ord så har en fjärrförare befogenhet att åsidosätta ADS i syfte att ta över lateral och longitudinell manövrering av fordonet. En fjärrförare kan också fungera som reserv åt ADS. Dokumentet klargör dock att fjärrkörning gör att det inte blir automatiserad körning: Remote driving is not driving automation. 
  • En annan uppdatering är att system motsvarande SAE-nivå 1 och 2 kallas nu ”förarstödssystem”. Detta mest för att minska risken för förvirring och förhindra människor från att tro att dessa system möjliggör automatiserad körning. (Ni kanske noterat att vi i OmAD använder just begreppet förarstödssystem för SAE-nivå 1 och 2). 
  • I det nya dokumentet presenteras också en definition av strategi för felreducering (failure mitigation strategy). Det är en funktion (ej samma som ADS) som är designad för att ta ett fordon utrustat med ADS till ett kontrollerat stopp i någon av följande situationer: a) när en reserv inte svarat på begäran om att ta över kontrollen inom utsatt tidsram (berör SAE-nivå 3) och b) när det inträffat ett systemfel hos ADS eller en extern händelse som exempelvis en katastrof som gör att ADS inte kan fortsätta köra vidare. För mig låter detta som en väldigt bred definition som kan vara utmanande att tillämpa i praktiken. 
  • Definitioner för fordonstyper har grupperats i fyra kategorier: ADS-utrustade fordon, ADS-dedikerade fordon, fordon med dubbla körlägen (dual-mode) och konventionella fordon. ADS-dedikerade fordon och dual-modefordon är alltid ADS-utrustade fordon. Konventionella fordon kan, men behöver ej nödvändigtvis, vara ADS-utrustade fordon.

Något annat som kan vara värt att notera är att man i det uppdaterade dokumentet valt att behålla begreppen ”automatiserad körning” och ”automatiserat körsystem”, till skillnad från exempelvis Waymo som valt att använda begreppet ”autonom”. En annan observation från min sida är att man i det uppdaterade dokumentet inte uppdaterat den grafiska illustrationen av SAE-nivåerna som många använder sig av för att på ett ”enkelt” sätt förklara skillnader och likheter mellan dem. Antagligen är man nöjd med den. 

Källor

[1] SAE. Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles (J3016_202104). 2021-04-30 Länk

Sensorindustrin

Företaget Tangram Vision som arbetar med integration av diverse sensorer för robotar, inklusive autonoma fordon, har tagit fram Perception Sensor Industry Map [1]Den ger en bra överblick över relevanta aktörer inom området. 

Kopplat till detta kan ni också läsa om Hellas nya 77GHz radar här samt om Luminars samarbete med Pony.ai här.

Källor

[1] Tangram Vision. The 2021 Perception Sensor Industry Map. 2021-05-05 Länk