Kategoriarkiv: Artificiell intelligens

AI-regler på gång

Artificiell intelligens (AI) är en viktig del av den digitala omvandlingen, inte minst inom mobilitetssektorn. Möjligheterna är många, lika så hoten och utmaningarna. 

Just nu förbereder EU sitt första regelverk för att hantera möjligheterna och hoten med AI, med fokus på att bygga förtroende för AI och hantera dess påverkan på individer, samhälle och ekonomi. De nya reglerna syftar också till att skapa en miljö där europeiska forskare, utvecklare och företag kan trivas. Europeiska kommissionen vill öka privata och offentliga investeringar i AI till 20 miljarder euro per år. Reglerna väntas presenteras under våren 2021.

Relaterat till detta antog EU-parlamentet under veckan tre rapporter som beskriver hur EU bäst kan reglera AI samtidigt som man stärker innovation, etiska standarder och förtroende för AI:

Egen kommentar

För bara ett par veckor sedan rapporterade vi om etiska riktlinjer för automatiserade och uppkopplade fordon som EU kommissionen publicerat med hjälp av en bred forskargrupp. Jag vet inte hur dessa riktlinjer är kopplade till arbetet som nämns ovan, men de borde vara ett bra underlag för diskussionerna. 

En fundering inför helgen: Hur skulle ett regelverk för AI se ut om det skapades av AI?

Källor

[1] News European Parliament. AI rules: what the European Parliament wants. 2020-10-21 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

Ford i nya AI-samarbeten

Ford har nyligen tillkännagivit ett par samarbeten där de…

vill identifiera farliga trafikmiljöer

I ett artonmånaders projekt som startar nu i sommar kommer Ford tillsammans med Vivacity Labs, Oxfordshire County Council och Loughborough University utveckla ett verktyg som sammanför data från en rad olika slags källor för att kunna förutsäga farliga trafikmiljöer [1]. I tidigare projekt har det påvisats hur även små insatser för att åtgärda identifierade problemområden kunde öka säkerheten. Exempel på sådana åtgärder anges till exempel vara att klippa bort grönt för att tydliggöra skyltning eller laga gatubeläggning.

utvecklar automatiserad parkering

Bosch och Ford planerar USAs första demonstrationsprojekt för automatiserad parkering i Fords innovationsdistrikt Corktown i Detroit. Projektet genomförs i bottenplanet på fastighetsutvecklaren Bedrocks parkeringshus [2, 3]. Argumenten är de vanliga: Använd en app för att slippa parkera så kan dessutom bilarna packas tätare.

Vi skrev för ett par år sedan om Boschs samarbete med Daimler för en liknande lösning i Peking. Sommaren 2019 inleddes testningen av ett liknande parkeringstjänst i ett garage tillhörande Mercedes-Benz Museum i Stuttgart. Hur det gått med detta är oklart för tillfället.

Källor

[1] Ford. Ford Trials Tech to Help Foresee Traffic Incidents; Connects Cars and Sensors to Improve Road Safety. 2020-08-20 Länk

[2] Milano, M., WebProNews. Bedrock and Bosch Developing Automated Valet Parking. 2020-08-27 Länk

[3] Ford. Ford, Bedrock and Bosch are Exploring Highly Automated Vehicle Technology in Detroit to Help Make Parking Easier. 2020-08-26 Länk

Detta har hänt under sommaren: Del III

Skrivet av Daban Rizgary och Azra Habibovic

Regelverk och tillstånd

AutoX får tillstånd i Kalifornien. Kinesiska AutoX har fått tillstånd att testa autonom körning utan förare bakom ratten i Kalifornien. Detta ska kunna ske vid rimliga väderförhållanden och i hastigheter upp till ca 70 km/h (45 mph) i ett förutbestämt område i San Jose i närheten av företagets huvudkontor. Ett liknande tillstånd har tidigare utfärdats till Waymo och Nuro. Länk

Storbritannien blickar mot nya regler. Det brittiska transportdepartementet efterlyser information från fordonstillverkarna som kan hjälpa departimentet att utforma regler kring användning av innovativa system på landets vägar. Framförallt är man nyfikna på Automated Lane Keeping System (ALKS) och huruvida fordon med sådana system bör definieras som ”autonoma” enligt lagen om automatiserade och eldrivna fordon (Automated and Electric Vehicles Act 2018). Där är definitionen av ”autonom” att fordonet kan köra självt utan någon övervakning. Fordonstillverkarna har fram till slutet av oktober på sig att förse departementet med information, och efter det kommer allmänheten att få möjligheten att kommentera det hela. Länk

NHTSA ska granskas. Uppskattningsvis har ungefär 36 000 människor mist livet på amerikanska vägar under 2019. För att säkerställa att den statliga trafiksäkerhetsorganisationen NHTSA gör allt i dess makt för att minska antalet dödade och skadade har nu det amerikanska transportdepartementet initierat en granskning av NHTSA. I mars föreslog NHTSA omfattande förändringar av amerikanska säkerhetskrav för passagerarsäkerhet. Undra om granskningen har något med det att göra, eller faktumet att det ofta tar år för NHTSA att ta fram och verkställa nya säkerhetsstandarder?

Klagomål i Kalifornien. Som vi vet sedan tidigare så måste de som genomför testning av självkörande fordon på allmänna vägar i Kalifornien ha ett tillstånd och varje år redovisa till myndigheterna bl.a. hur långt de kört och hur många gånger som systemet frånkopplats under körningen. Allt fler aktörer har börjat höja sin röst mot redovisningen och dess implikationer. Nu senast klargjorde Waymo sin ståndpunkt: metoden är missvisande och särskiljer inte systemfrånkopplingar orsakade av andra förare i trafiken från de som uppstår på grund av brister i systemets prestanda. Länk

Regler i Tyskland. Ett lagramverk för automatiserade fordon är under granskning hos tyska transportministeriet. Tanken är att detta ska skapa förutsättningar för drift av fordon utan mänskliga förare på allmänna vägar inom geografiskt begränsade områden. Om allt går som planerat kan detta vara på plats till nästa sommar, och tyskarna hoppas kunna vara först i Europa med att tillåta sådana fordon. Till detta kan också tillägas att en domstol i Tyskland beslutat att förbjuda Tesla att använda orden ”Autopilot” och ”full potential for autonomous driving” vid marknadsföring av sina förarstödsystem. Detta då dessa begrepp är vilseledande och kan leda till potentiellt farligt missbruk av dessa. Länk Länk

Människan i fokus

Personer med funktionshinder. University of Pittsburgh har fått en miljon dollar ifrån USAs Department of Transportation för att undersöka hur automatiserade fordon kan bli ett stöd för personer med funktionshinder. Studien kommer att bestå av en litteraturöversikt om tillgängligheten av transporter samt en enkätundersökning med konsumenter och fordonstillverkare. Baserat på detta ska projektet ta fram riktlinjer med personer med funktionshinder i åtanke som sedan ska kunna användas av fordonstillverkarna. Länk1 Länk2

JLR vill bota åksjuka. Sedan ett par år tillbaka har Jaguar Land Rover pratat om teknik som skulle kunna hjälpa till att minska åksjuka. Nu verkar företaget ha kommit en bit på vägen med utvecklingen och meddelar att dess framtida (självkörande) bilar ska hjälpa till att motverka åksjukan med upp till 60 procent. För att lyckas med detta ska bromsning, acceleration och placering i vägens fil samarbeta och få ned de faktorer som orsakar att du blir illamående (se här). För att landa i en ”optimal” kombination av acceleration, inbromsning och rattrörelser har man samlat in data med hjälp av biometriska sensorer. Testpersonerna fick utföra en uppgift under färden för att på så sätt framkalla åksjuka och utifrån detta har företaget utvecklat ett slags ”välmående-index” som beräknar hur känsliga passagerarna är genom att även läsa av deras hälsostatus med kameror som kombineras med data om fordonets rörelser. På så sätt ska bilen kunna räkna ut att passagerarna håller på att bli åksjuka innan de själva känner det. Mjukvaran som inkluderar maskininlärningsalgoritmer ska ha tränats med hjälp av både simulatorexperiment och verkliga data. Länk

Farliga körbeteenden. En grupp amerikanska forskare har skapat verktyg för analys och illustration av farliga körbeteenden. Analysen utgår från data som samlats in inom ramen för projektet Safety Pilot Model Deployment. Länk

Leveransrobotar och drönare

Ny affärsmodell på Kiwibot. Det amerikanska startupföretaget Kiwibot som utvecklar leveransrobotar lanserar en ny B2B affärsmodell. Tanken är att nya kunder ska kunna erbjuda Kiwibots tjänster genom att lägga till ett API till sin försäljningsplattform. Kiwibot ska också börja leverera i delar av San Jose i Kalifornien, och har även fått två nya kunder, Shopify och Ordermark. Länk

Amazon utökar robotleveranserna. Amazons utökar sin korthållsleveranstjänst med Scout Robot till två nya städer i USA, Atlanta i Georgia och Franklin i Tennessee. Scout Robot har hittills varit aktiv i Irvine i Kalifornien och Snohomish County i Washington. Dessa robotar övervakas av mänskliga operatörer som Amazon kallar Scout Ambassadors. Länk

Fängelsebevakning. Australiensiska Stealth Technologies, som tillverkar självkörande säkerhetsrobotar, ska bemanna ett fängelse i Australien. Deras säkerhetsrobotar som kallas AxV ska användas för patrullering av fängelsets yttre stängsel, ett jobb som idag görs av två patrulleringsvakter. Planen är att AxV ska integreras med patrullerande drönare. Länk

Uppkoppling och infrastruktur

Mest sofistikerad väg? Det amerikanska företaget Cavnue, som är en avknoppning från Alphabets Sidewalk Infrastructure Partners, har fått i uppdrag av Michigan Department of Transportation att anlägga en 64 km lång testkorridor mellan Downtown Detroit och Ann Arbor. Projektet ska pågå i två år och ska undersöka och testa om stödjande infrastruktur kan bidra till att snabbt få ut självkörande och uppkopplade fordon i trafiken. Planen är att kombinera innovationer inom fysisk och digital infrastruktur samt lösningar för trafikkoordinering och drift. En referensgrupp bestående av representanter från Ford, GM, Argo AI, Arrival, BMW, Honda, Toyota, TuSimple och Waymo kommer att tillsättas. Enligt guvernören i Michigan kommer detta att vara världens mest sofistikerad väg. Vad det hela kommer att kosta och vem som kommer att stå för notan framgår dock inte. Länk

Digitalt bälte. Ett startupföretag vid namn !Important från Kalifornien föreslår en lösning för att minska olyckor mellan automatiserade fordon och andra trafikanter. Lösningen, som de själva beskriver som ”digitalt bilbälte”, består av en applikation för mobiltelefoner och fordon som med hjälp av platsinformation kan beräkna hastigheter och avstånd för att varna om potentiella kollisioner i trafiken innan de händer. Appen ska också kunna integreras i relevanta fordonssystem för att bromsa fordon vid kritiska situationer. Det har genom årens lopp visats en del liknande lösningar som inte fått någon större spridning, av en del olika anledningar inklusive dålig positioneringsnoggrannhet. Frågan är om !Important har en lösning som slår sina föregångare? Länk

Uppkopplat trafiksystem. I Honolulu på Hawaii ska ett område tillägnas för ett fyra år långt pilotprojekt inom uppkoppling av trafiksystem. I projektet ska trafikdata samlas med hjälp av V2X (Vehicle-to-Everything) uppkoppling. Planen är bland annat att kunna skicka trafikinformation till allmänheten angående kollisioner och köbildning i korsningar. Projektet utförs genom ett samarbete mellan Hawaii Department of Transportation, Federal Highway Administration, University of Hawaii och ett flertal techföretag.  Länk

5G i fokus. ERTICO med partners inleder två nya projekt kring uppkopplade fordon via 5G. Det ena heter 5G-LOGINNOV och ska utvärdera och visa upp mervärdet av 5G-teknik för logistik och hamnverksamhet i tre Living Labs (Aten, Hamburg och Luka Koper). Det andra projektet heter 5G-META och handlar om licensering av delade fordonsdata. Länk

Fjärrkontroll. Voyage har under sommaren introducerat sin version av ett fjärrkontrollcenter. Det ser ut som en podd (en liten bil) som är utrustad med pedaler, en ratt och skärmar för övervakning. Från podden ska man kunna övervaka och få information om ett fordon i trafiken, ge “diskreta” instruktioner till fordonet, och även fjärrköra fordonet. Mer om diverse fjärrlösningar kan ni läsa om härLänk

Superdatorer och processorer

Baidus superdator. Baidu har utvecklat klart sin Apollo Computing Unit, som de själva refererar till som ”världens första produktionsklara dator för autonom körning”. Den är baserad på Xilinx-processorer, har mikrokontroller från chiptillverkaren Infineon och kan bland annat hantera data från fem kameror och 12 ultraljudssensorer. Den kommer ingå i Apollo Valet Parking som lanseras senare under året. Och på tal om Baidu så har de under förra veckan lanserat Apollo Go Robotaxi i centrala Cangzhou som är öppen för allmänheten. Länk Länk

Continentals superdator. Continental har utvecklat en ny (ej namngiven) superdator för fordonsindustri, som påstås vara världens snabbaste. Den består av mer än 50 Nvidia DGX-noder ihopkopplade med Nvidia Mellanox InfiniBand och är baserad på Nvidia DGX SuperPOD referensarkitektur. DGX-noderna är specialbyggda för AI. Till skillnad från Baidus dator kommer inte denna att sitta i något fordon utan kommer att användas för snabbare simuleringar för självkörande fordon. Länk

Tesla HW4.0? Teslas VD Elon Musk har sagt ett och annat om Teslas egna processor och nästa generations hårdvara, dock utan att avslöja några detaljer. Här kan ni läsa obekräftade uppgifter om denna.

Sensorer och detektering

  • Tyska ZF har lanserat en ny kamera för användning i förarstödssystem som Automatic Emergency Braking for Pedestrians. Den kallas S-Cam 4.8 och erbjuder 100-graders synfält. Länk
  • Huawei planerar att utveckla en kostnadseffektiv lidar för smarta bilar. Förhoppningen är att den ska kosta ungefär 100 dollar, som är betydligt billigare än dagens lidarsensorer. Länk
  • Forskare från University of Glasgow har utvecklat en ny teknik som använder AI för att ta temporär information från fotoner och skapa 3D-bilder. Länk
  • En grupp forskare vid Harvard University har identifierat en länk i hjärnan mellan seende och rörelse som kan hjälpa att skapa bättre AI för självkörande fordon. Länk
  • IBEO (och dess huvudägare ZF) kommer att förse kinesiska Great Wall Motor Company (GWM) med ibeoNEXT Solid State LiDAR. Denna ska användas för automatiserad körning motsvarande nivå 3 enligt SAE-skalan, som kommer utvecklas av GWMs dotterbolag Haomo Technology. Länk
  • En grupp forskare vid Princeton University har utvecklat ett radarbaserat system som kan upptäcka objekt som bilar och cyklister runt hörn. De använder sig av existerande radarsensorer, trixet ligger i signalbehandlingen. Länk

Tesla vill undvika högupplösta kartor

Tesla har valt att försöka utveckla teknik för automatiserad körning utan att fordonen ska vara beroende av högupplösta kartor. Detta gör att fordonen ”upplever” att de ser varje plats för första gången. Ett sådant angreppssätt anses vara mycket svårare att hantera för fordonet och ingenjörerna. Det skulle dock göra att Tesla oberoende av, vad de utgår från i längden kommer att bli, mycket dyra kartsystem [1].

Teslas lösning kräver istället mycket bra data för att träna AI-algoritmer. Sådan data är svår att hitta men Tesla har fördelen av att redan ha hundratusentals bilar som samlar data åt dem [2].

Här kan ni se ett föredrag av Teslas chef för AI Andrej Karpathy där han går igenom företagets strategi.

Egen kommentar

Man kan tycka ett och annat om Tesla och deras sätt att utveckla automatiserad körning. Men det kan vara värt att fundera på om det är hållbart att skapa detaljerade kartor av alla vägar?

Källor

[1] Papadopoulos, L., Interesting Engineering. Tesla’s Head of AI Says The Firm Uses a Harder Approach to Self-Driving for Scalability Reasons. 2020-06-20 Länk

[2] Lambert, F., Electrek. Tesla admits its approach to self-driving is harder but might be only way to scale. 2020-06-18 Länk

Waymos trix att ”skala upp” data

För att kunna hantera så många udda trafiksituationer som möjligt har Waymo tagit hjälp av kollegor från Google Research [1]. Tillsammans har de vidareutvecklat Google Researchs existerande metoder för automatisk dataförstärkning (eng. data augmentation) och applicerat dem på Waymos dataset. Detta har möjliggjort för Waymo att utöka sitt dataset utan att behöva samla in eller annotera ny data.

Förstärkning av data gör det möjligt att öka mängden och mångfalden av data utan att någon ny data tillförs. Genom att använda olika förstärkningsstrategier som rotation, beskärning, spegling, färgförskjutning och dylikt förändrar man och omvandlar en bild med redan känt innehåll. Dessa omvandlingar gör att man skapar många nya bilder som är olika varianter av bilden med känt innehåll. 

Den här metoden används vanligtvis för klassificering av 2D objekt. Waymo och Google Research har nu visat hur de gör det för klassificering av 3D objekt detekterade med hjälp av lidar. Dessutom har de utvecklat en ny algoritm, Progressive Population Based Augmentation (PPBA), som lär sig att optimera förstärkningsstrategier genom att minska sökutrymmet och välja de bästa parametrarna som upptäckts i tidigare iterationer. 

Genom att applicera den nya metoden på Waymo Open Dataset har de visat att den ger upp till 10 gånger effektivare klassificering än motsvarande metoder utan förstärkning. I praktiken innebär detta att maskininlärningsmodeller kan tränas med färre annoterade exempel, vilket ökar chansen att upptäcka udda trafiksituationer.

Mer om den här metoden kan ni läsa om i artikeln Improving 3D Object Detection through Progressive Population Based Augmentation

Källor

[1] Waymo. Using automated data augmentation to advance our Waymo Driver. 2020-04-02 Länk

Beteendeforskning på Toyota

Toyota anställer nu multidisciplinära forskare till sin nya grupp: Machine Assisted Cognition (MAC) vars fokus är på beteende, kognition och AI [1].

MAC gruppen ska ta sig an teknologiska lösningar som involverar samspelet mellan människa och teknik, samt prediktion av beteenden kopplade till beslutsfattande med hjälp av AI.

Gruppen kommer att hålla till i Silicon Valley.

Egen kommentar

Det är inte uttryckt i pressmeddelandet om gruppen har något specifikt mål inom kort tid. Beskrivningen av vad gruppen ska göra är väldigt generell, och de skriver även att samarbeten och projekt bestäms vid en senare tidpunkt. Oavsett så finns det definitivt ett stort värde med att ha en grupp som kan kombinera tech- och människo-aspekten i fordonsindustrin idag.

Källa

[1] Toyota. Toyota Research Institute Launches Research Into Understanding and Predicting Human Behavior for Decision Making. 2020-03-25 Länk

Metoder för att upptäcka okänd data utan inlärning

Machine Learning (ML) och speciellt Deep Learning (DL) har visat sig vara mycket effektiva och kraftfulla för att lära sig att känna igen mönster, beteende och egenskaper.

En känd egenskap hos ML är att algoritmerna kan vara extremt bra på data som finns inom den rymd som använts för träning, men extremt dåliga på data som ligger utanför träningsrymden. De är alltså bra på att generalisera, men sämre på att extrapolera. För att detektera data som ligger utanför träningsrymden, tränas ofta nätverk som lära sig se skillnad på ”känd data” och ”okänd data”, genom att presentera exempel från båda klasserna. Problemet är dock att det dels finns många dimensioner i datat (speciellt när indata är bilder) och dels blir det snabbt opraktiskt att samla data på objekt som inte är relevanta för nätverket.

Forskare från Georgia Tech och Samsung, har nyligen publicerat en artikel kring hur nätverk kan tränas, utan att använda data data som ligger utanför träningsrymden [1].

Artikeln presenterar en metod som använder sig av signaler som finns inne i ML nätverken. De skapar sannolikhesfördelningar över hur signalerna beter sig för de olika kända klasserna. Genom att jämföra dessa fördelningar med hur signalerna ser ut för ny data som presenteras för nätverket, lyckas de med hög säkerhet avgöra om den nya datan kommer ifrån den kända eller okända datarymden.

Egen kommentar

Denna metodik har studerats inom Vinnova FFI projektet SMILE II även där med stor framgång [2].

Källor

[1] Hsu, Yen-Chang, et al. ”Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data.” arXiv preprint arXiv:2002.11297 (2020).

[2] Slutrapport SMILE II https://www.vinnova.se/globalassets/mikrosajter/ffi/dokument/slutrapporter-ffi/elektronik-mjukvara-och-kommunikation-rapporter/2017-03066eng.pdf

Ford och Waymo släpper nya dataset

Ford har öppnat upp en datasamling som innehåller data som samlats in med hjälp av företagets autonoma fordon i Detroit-området [1]. Datasamlingen är fritt tillgänglig för forskare och kan användas för att förbättra robustheten för självkörande fordon i stadsmiljöer.

Fords dataset kommer efter en uppdatering av ett liknande dataset från Waymo, Waymo Open Dataset [2]. Waymos dataset har utökats med ytterligare 800 segment.  Waymos ambition är att göra det lättare för forskare att utveckla säkra algoritmer från grunden och samtidigt slippa kostnaderna för att samla in sina egna data.

Kopplat till detta har Waymo också utlyst en rad tävlingar, Waymo Open Dataset Challenges. Den betsår av en rad olika utmaningar inom 2D och 3D detektering och objektföljning, och kommer pågår till slutet av maj. Förstaprisvinnaren kommer att belönas med 15 000 dollar.

Egen kommentar

Förutom marknadsföringssyften, är syftet med dessa tävlingar dels att få inspiration till nya lösningar och framförallt att hitta potentiella framtida medarbetare. Flera aktörer använder sig av liknande rekryteringsteknik.

Källor

[1] Wiggers, K., Ford releases a data set to accelerate autonomous car development. VentureBeat 2020-03-19 Länk

[2] Wiggers, K., Waymo expands autonomous driving data set and launches $110,000 challenge. VentureBeat Länk

Smart järnväg nästa?

Även om järnvägstransporter generellt har mindre att vinna på att ta bort föraren än vad vägtransporter har, så sker även där en del innovation inom maskininlärning och artificiell intelligens.

Amerikanska branschorganisationen Association of American Railroads testade i somras att köra ett förarlöst tåg på sin testanläggning i Colorado [1]. Andra tillämpningsområden är också på gång: amerikanska järnvägsjätten BNSF Railway har till exempel nyttjat maskininlärning för att förbättra och sänka kostnaderna för underhåll av såväl räls som vagnar.

Till detta kan också tilläggas att australiensiska gruvbolaget Rio Tinto sedan 2018 använder ett autonomt godståg, AutoHaul, för transport av järnmalm från Pilbara-gruvan i Western Australia. Tåget kontrolleras från ett fjärrcenter i Perth som ligger över 1500 km från gruvan. Enligt bolaget visar resultaten en betydande potential att förbättra produktiviteten, vilket ger ökad systemflexibilitet och minskar flaskhalsar [2].

Källor

[1] Justin Franz, Seattle Times. How autonomous freight trains powered by artificial intelligence could come to a railroad near you. 2020-03-10 Länk

[2] Rail Journal. Rise of the machines: Rio Tinto breaks new ground with AutoHaul. 2019-08-19 Länk