Kategoriarkiv: Artificiell intelligens

Ett ”upp till bevis” år

I början av förra året försökte jag skåda det nya året och då skrev jag bland annat att 2019 skulle bli ”sanningens år” och ”slutet för irrationell entusiasm”. Detta är så klart svårt att mäta men det vi kunnat se i vår dagliga bevakning är att tonläget dämpats betydligt, både i media och i officiella uttalanden från relevanta aktörer. Flera aktörer har reviderat sina planer och riktat om sina satsningar. Jag ser inte detta som något negativt utan som ett naturligt steg i utvecklingen, och något som vi kan komma att se ännu mer av under 2020. Många har lovat att lansera fordon och mobilitetstjänster med SAE-automationsnivå 3 eller 4 år 2021, men alla kommer inte kunna komma i mål och kommer nog behöva revidera sina planer. 

En annan trend som jag förutsåg för 2019 var att förarstödsystem (ADAS) skulle få mer uppmärksamhet, och det fick de också. Flera aktörer inklusive Nvidia och Mobileye började prata om sofistikerade förarstödsfunktioner, det de kallar ”Level 2+”. Vad det betyder exakt är oklart, speciellt eftersom det saknas en sådan nivå i SAEs klassificeringsschema. Jag tror att ADAS kommer ta ännu mer central roll under 2020 och nya funktioner kommer introduceras på marknaden. Man kommer alltså att fokusera på det som kan spara liv idag i väntan på att tekniken för automatiserad körning ska bli mer mogen. Fördelen med att introducera mer sofistikerade ADAS-funktioner är att användarna blir mer bekanta med tekniken som möjliggör automatiserad körning, och på det viset kommer de inte bli främmande för automatiserad körning när den blir tillgänglig. 

Jag antydde också att SAE-klassificeringen skulle tappa sin relevans under 2019 och att man istället skulle börja prata mer om funktionernas faktiska förmåga, speciellt i kommunikation med användare. Jag tror faktiskt inte att detta har hänt ännu, SAE-klassificeringen används lika mycket och som jag nämnde ovan så har den även nyanserats med en ”Level 2+”. Däremot har diskussionen om att språkbruket behöver ändras och flera amerikanska organisationer har gått samman och föreslagit en gemensam namnlista för förarstödsfunktioner (ADAS). Förhoppningen är att det kommer leda till en harmonisering av ADAS-benämningar i praktiken, men jag är inte helt övertygad att det blir så. Framförallt eftersom problemet är mycket invecklat och skulle kräva en stor omställning hos respektive fordonstillverkare, inte minst i deras marknadsföring.

AI-hysterin blev stor under 2019 och den lär inte avta under 2020. Det är framförallt AI för kartläggning av föraraktiviteter och status som kommer vara i fokus, inte minst kopplat till det nya regelverket om trötthetsvarnandesystem i fordon på EU-vägar som väntas träda ikraft om två år. Smartare AI kräver dock starkare och energieffektiva processorer och en hel del av utvecklingen kommer att vara fokuserad kring detta. 

Jag önskar att jag kunde säga att datadelning har slagit igenom under 2019. Men så är inte fallet. Jag ger dock inte upp här och hoppas att datadelning mellan aktörer blir mer påtaglig under det kommande året. Delning av data i realtid är problematisk av olika anledningar men jag hoppas att man åtminstone kan hitta former för delning av aggregerade data i efterhand. Det skulle gynna verifiering och validering av olika funktioner.

Verifiering och validering kommer att vara A och O under det nya året. Jag tror att fler aktörer kommer att utöka sina testflottor och fler lär börja testa sina fordon med användare. Svårt att inte nämna Waymo i det här sammanhanget som mest sannolikt kommer att börja testa sin mobilitetstjänst utan säkerhetsförare bakom ratten även i Kalifornien. Waymo är ju på väg till Europa och här kommer vi nog se betydligt fler aktiviteter. 

Vad det gäller självkörande minibussar (skyttlar) hade jag hoppats på att de vid det här laget skulle ha blivit kommersiella i större utsträckning. Utvecklingen i området har på ett sätt stagnerat och många frågar sig om det finns någon framtid för sådana fordon? Jag tror att tekniken måste bli betydligt bättre för att kunna uppnå spridning och ”våga” ta bort säkerhetsföraren från hytten, och där kan det hända saker under 2020. Framförallt i Japan på grund av de stundande Olympiska spelen. 

Vad det gäller regelverket har vi inte sett några betydliga förändringar under 2019, varken internationellt eller nationellt. Jag hade hoppats på att vi i Sverige skulle få höra mer om lagförslaget som togs fram av i samband med Vägen till självkörande fordon, och man kan inte låta bli att undra varför? 

Hittills har diskussionen om automatiserade fordon handlat mycket om säkerhet. Under 2020 tror jag att energieffektivitet kommer betonas i större utsträckning. Detta framförallt kopplat till godsleverans under den första och sista milen i tätbebyggda områden och den snabba utvecklingen av självkörande (små) leveransfordon som framförs i låga hastigheter. Att implementering av lätta kommersiella fordon godkänts i Kalifornien gör området extra hett.

För 2019 förutsåg jag många nya (otippade) samarbeten och allianser, och så blev fallet. Genom att dela på utvecklingskostnader hoppas aktörerna accelerera innovationen och säkerställa konkurrenskraft. Under det nya året kommer vi säkert se fler betydelsefulla allianser.  Till skillnad från många tidigare samarbeten som varit av marknadsföringskaraktär är dessa nya samarbeten mer allvarliga och väntas leverera resultat både på kort och lång sikt. Så om 2019 var ”sanningens år” så är 2020 ett ”upp till bevis år”! 

Sist men inte minst så tror jag att vi under det nya året lär se några ”överraskningar” från Tesla och Apple. Och självklart kommer vi höra ett och annat om 5G.

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 usersDriver 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 

Lyft inspireras av mänskliga förare

Samåkningsföretaget Lyft (konkurrent till Uber) berättar i en artikel i VentureBeat om sina algoritmer för självkörande fordon [1]. Istället för bara sedvanliga maskininlärningsbaserad AI så kompletterar man med vanliga regelbaserade algoritmer och data från hur mänskliga förare brukar agera. Man har också tagit med element från Maslowa behovstrappa och Asimovs robotiseringslagar.

Resultatet är ett beteende som liknar hur mänskliga förare kör vilket bland annat ökar tryggheten hos passagerarna i de självkörande bilarn men också ska vara säkrare.

Egen kommentar

Det låter ju bra, men viktigt är också att alla utvecklare delar principer med varandra så att det kan utvecklas någon form av de facto-standard för hur självkörande bilar ska bete sig. Det får inte bli stora skillnader mellan bilar av olika märken för då kommer man aldrig att nå marknadsacceptans.

Källa

[1] Kyle Wiggers: Lyft details the planning model behind its self-driving cars, VentureBeat 2019-12-11 Länk

Blink AIs lösning för dåliga ljusförhållanden

En brist i användandet av kamerasystem för autonoma fordon och fordon med ADAS är sikten i dåliga ljus- och väderförhållanden. Blink AI Technologies har nu utvecklat en mjukvara som skall förbättra bildkvalitén med hela 500% [1].

Systemet kallas RoadSight och sägs fungera som den biologiska synen hos människan med hjälp av artificiella neurala nätverk. Det verkar vara utvecklat för kameror med begränsad hårdvara, vilket innebär att det inte bör krävas någon modifiering av existerande hårdvara. Integrering av mjukvaran sker via så kallat System-on-Chip (SoC). 

Mjukvaran verkar ännu inte ha testats i fordon med ADAS men samarbete med fordonstillverkare sägs pågå i dagsläget. 

Källor

[1] BlinkAI Technologies Launches RoadSight To Enhance Visible-light Cameras in Autonomous Vehicles, PRWeb 2019-11-25 Länk

Ghosts kit förvandlar din bil till självkörande

Ghost Locomotion är en amerikansk start-up som utvecklar ett kit för eftermarknadsmontering på befintliga bilar och som då gör det möjligt för dem att köra själva, men bara på motorvägar [1]. Detta då detta utgör 2/3 av amerikansk körning. Därmed undviker Ghost de betydligt svårare problem som finns i andra miljöer.

Ghost använder också en annan princip för sin AI-funktionalitet, något man kallar för imitation learning som utgår från observationen av hur mänskliga förare kör och försöker utifrån detta efterlikna mänskligt körsätt på ett generellt sätt som ska kunna tillämpas på i stort sett vilken modern bil som helst.

Egen kommentar

Ghosts ansatser låter intressanta men är än så länge bara teoretiska då de ännu inte börjat testa i verklig trafik.

Källa

[1] Kyle Wiggers: Ghost raises $63.7 million to develop an aftermarket kit that gives cars self-driving capabilities, Venturebeat 2019-11-07 Länk

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

Forskare varnar: Enkelt att lura AI-algoritmer för autonoma fordon

Forskare vid universitetet i Tübingen (Tyskland) har nu visat hur AI-algoritmer, som omvandlar kamerabilderna i självkörande bilar till körinstruktioner, är lätta att lura [1].

Enkla färgmönster på en T-shirt, en bildekal eller ett emblem på en shoppingväska kan räcka för att förvirra autopiloten i självkörande fordon. Forskarna varnar nu bilbranschen och har redan informerat vissa biltillverkare som för närvarande jobbar med att utveckla självkörande fordon.

Källa:

[1] Hammerschmidt, C., How simple it is to fool AI algorithms for autonomous vehicles. Smart2.0  2019-10-29 Länk

Reflektioner från ITS World Congress : Del I

Den här veckan befinner jag mig på ITS World Congress 2019 i Singapore som inleddes igår för 26:e gången i rad. Själv deltar jag för första gången. Det är också första gången som kongressen hålls i Sydostasien. Enligt organisatörerna har kongressen dragit till sig runt 10 000 deltagare. 

Konferensen inleddes igår och här kommer mina första reflektioner.

  • Samverkan mellan automatiserade fordon och mänskliga förare är fortfarande ett populärt ämne. Att döma av presentationerna som ingick i ”Human Factors”-spåret utförs sådana studier framförallt i körsimulatorer. Vad som var intressant för mig är att alla dessa studier är gjorda på motorväg, i enkla trafiksituationer och under fina ljus- och väderförhållanden – något som automationen för motorvägskörning typiskt borde klara av. Frågan är då vad som är värdet av sådana studier? Borde man inte utforska situationer där automationen misstänks kunna fallera?
  • En forskargrupp i Japan har utforskat hur förarens förmåga att hantera kritiska situationer påverkas av ”lång” körning (40 minuter) med ett system som kontrollerar fordonets longitudinella och laterala placering på vägen, motsvarande SAE nivå 2 (ACC+LKA). Med hjälp av förarens ögonbeteende och fysikaliska data kunde de avgöra hur sömnighet påverkar förarnas prestanda i sådana situationer. Varje förare deltog i studien vid tre tillfällen vilket möjliggjorde studier av beteendeförändringar över tid. 
  • Effekten av icke körrelaterade uppgifter på förarens förmåga att ta över kontrollen från bilen har utforskats av en forskargrupp vid Newcastle University. Slutsatsen är att tiden att ta över kontrollen ökade när förarna var involverade i flera icke körrelaterade uppgifter samtidigt jämfört med fallen då de inte utförde någon särskild icke körrelaterad uppgift. Beslut att styra undan blev också försenat vid engagemang i flera icke körrelaterade uppgifter. 
  • EasyMiles självkörande minibussar har testats och/eller införts i över 200 platser i 27 länder. Totalt har företaget 130 fordon ute hos kunder och samarbetspartners. EasyMile har delat upp sin mjukvarustack i två delar: EZ Shield och EZ Drive. I den förstnämnda tillämpas ingen djupinlärning. När det gäller säkerhetsutvärdering och validering av EZ Drive ser man två utmaningar: att förstå träningsdata och att förstå modellen.
  • Algoritmer för artificiell intelligens kan lätt störas, både fysiskt och digitalt. För att kunna hantera eventuella attacker föreslår en grupp forskare från NTU i Singapore en s.k. Affine Disentangled Generative Adversarial Network (ADIS-GAN) metod. Den påstås ha bättre prestanda i termer av att identifiera störningar än motsvarande algoritmer. 
  • För att säkerställa att AI fungerar som tänkt föreslår en grupp forskare från tyska TÜV en kvalitetsäkringsprocess som säkerställer att utvecklingen har utförts på ett korrekt sätt under AIs hela livscykel, inklusive hantering av data. 
  • Myndigheterna i Singapore arbetar efter tre pelare: kollektiv trafik, självkörande fordon och eldrivna fordon. Trots att landet testat självkörande fordon under flera år tror inte myndigheterna att automatiserade fordon kan införas i stor skala på marknaden inom de närmsta åren och innan infrastrukturen är redo. Däremot tror man att Singapore kan bli först att adaptera 5G-tekniken.
  • Några intressanta (och återkommande) ord och begrepp:
    • AI is blackbox
    • Data is blood / fuel for AI
    • Technology neutral solutions
    • Cyber security
    • Safety assessment / assurance
    • Multimodal integrated solutions
    • Definitions written by engineers do not necessarily make sense to general public
    • ITS is also for women

To be continued.

Telematics Valley: AI in Automotive – Reality Check

Årets Telematics Valley-konferens handlade om AI inom fordonsindustrin. Här några korta referat.

The Great Math Gap of AI
Carl Lindberg, AI Innovation Sweden
“Matematik, statistik och datavetenskap = AI”
Observation: många hatar matte i skolan och många är dåliga i matematik. Men för att förstå AI måste du kunna matematik och statistik, vilket krävs för att utveckla AI-team och deras kompetens.

AI essential component for automotive
Shafiq Urréhman, CEVT
AI-utveckling är tidskrävande och kräver mycket arbete med data. Datapreparation och märkning tar 80% av tiden.
Nästa stora steg för AI är att använda kvantdatorer för att öka beräkningskapaciteten.

AI based occupant sensing is the key to unleash a new level of functions
Henrik Lind, Smart Eye
Förarövervakningssystem krävs i fordon från 2023 av EU.

What we know that we don’t know
Mats Nordlund, Zenuity
Nyckelfrågor:
• Vad kommer andra trafikanter att göra?
• Bevisa säkerheten
• Framtida lagar och förordningar
• Träning av neurala nätverk
• Minska kostnader för sensorer
Forskningsområden:
• Prediktion av fotgängares rörelser och interaktion med fordon med hjälp av maskininlärning.
• Positionering och ruttprognoser

Automation
Sasko Cuklev, AB Volvo
Det finns stora vinster med automatiserade fordon för godstrafik:
• Ta bort föraren
• Ökad utnyttjandegrad av fordonen
• Minskat underhåll och reducerad bränsleförbrukning
• Plus säkrare och mer förutsägbara fordon
”Använd automatisering där det gör en stor nytta”
Affärsmodellen håller på att förändras. Numera beställer kunderna inte bara bilar, de önskar transporttjänster från A till B.
Flera piloter med automatiserade fordon pågår, bl.a i.
• Avgränsade områden, kalkstengruva i Norge
• Publika områden, hub till hub, 2 projekt pågår.
Vera är en transportlösning för gruvdrift, hamnar och motorvägar.

Egen kommentar: En bra presentation som visar applikationer för automatisering som inte är långt borta.

Autonomous driving in the Nordics –  Geofenced or SAE L5?
Hari Sentamala, Sensible 4
I närtid kommer autonoma fordon kunna köras inom avgränsade, geofencade områden. En säker autonom transport behöver kunna hantera alla väder- och miljöscenarier, där är vi inte idag. Sensible 4 arbetar med att använda redundans med hjälp av olika sensorer och kombinera och analysera resultaten från alla sensorerna så en säkrare autonom funktion kan fås.
Fälttester med autonoma fordon under vinterförhållanden ovanför polcirkeln har positionsnoggrannhet bättre än 18 cm uppnåtts.

Egen kommentar: En bra presentation med mycket humor. ”När SAE-nivån når 5 ändrar vi företagsnamn till Sensible 5”. Från en teknisk synpunkt ser de sig själva som ett sensormjukvaruföretag som använder många sensorer och uppkoppling i sina lösningar.

The importance of Data Quality and Governance for DAIR (Data and AI Ready)
Sofia Serafimovska, SAM Management Consulting
Affärsaspekter och KPIer är viktiga för att hitta och välja den information som krävs.

Machine Learning vs Software development – Verification & validation challenges
Lars Tornberg, Volvo Cars
Hur göra maskininlärning/AI säkert i verklig drift? Träningen av algoritmen kan inte återspegla alla möjliga scenarier.
Ett koncept är att använda en ”safety cage”. Analysera resultaten och validera modellen om de är trovärdiga. Föremål som modellen inte har tränats för, kan i ”safety cage” analysen tala om att detta är något nytt och resultatet därmed inte är säkerställt.

AI on the dark side of the moon
Peter Nordin, Semcon
Är AI ett hot? Ja! Elon Musk, Bill Gates, Stephan Hawkins tror det. Var försiktig med hur AI används. I första steget används AI för bra saker som att upptäcka cancer. Men redan idag är falska nyheter en verklighet. Psykologi och etik måste ingå i AI-utvecklingen.

Egen kommentar: Förmodligen måste EU och regeringar definiera etiska regler och lagstiftning om AI-lösningar. Peter gör en sammanfattning av science fiction-filmer som kan vara verklighet med AI släppt utan etiska aspekter. Då slutar det vara roligt.

Developing environmental model with ML from the ground truth data and scaling it in the cloud
Ulrich Wurstbauer, Luxoft
AD-validering kräver simulering i en virtual reality-modell ” Varför?

  • Fälttester på väg, 1 000 mil körning och ger nästan ingen data som krrävs för validering.
  • Re-simuleringar med hjälp av sensordata, 100 000 000 mil körning och ger ca 1% av data som krävs för validering
  • Simulator i virtual reality, kan ge 99% av nödvändiga data.

Men simulatorer kräver:

  • Modeller, med fokus på detektion, identifiering och prediktion.
  • Skalbarhet
  • En öppen dataplattform för att samla in, sortera och lagra data.

””Retail vision, applying AD approach for enterprise applications”
Atif Kureishy, ​​Teradata
Data + AI = Bättre svar och beslut.
Förutsäga försäljning med hjälp av människors beteende i butiker och använda information för att ändra butiken eller personalen för att förbättra försäljningen.

Egen kommentar: En känd applikation för AI att förutsäga försäljning eller kundreaktioner av olika marknadsföringsåtgärder.

AI risk, AI safety, AI ethics
Olle Häggström, Chalmers
EU har publicerat AI-dokument med etiska riktlinjer för tillförlitlig AI. Det är det första steget men behöver mer arbete för att vara användbar. Olle ser ett behov av regler för AI-applikationer.

Olles svar på publikens frågor:
Andra AI-områden kan vara att automatisera textilindustrin och föra produktionen närmare slutkunderna.
AI har svårt att ta över jobb med hög efterfrågan på social interaktion eller kreativitet.

”An inspiration map of AI in West Sweden.”
Erik Behm, BRG
AI växer inom transporter och fordonstillverkning. Life science, säkerhetsbranschen och finans växer också snabbt.

”Collaboration enabling driver-vehicle-infrastructure automation”
Edvard Brinck, Ericsson och Ola Boström, Veoneer
Uppgiften att att skapa förtroende för autonom mobilitet. Trafiksäkerhet är ett område som kan utvecklas med hjälp av AI och uppkopplade fordon.
2020 3 miljarder trafikanter, få automatiserade fordon >L2 och 1,4 miljoner dödsolyckor
2025 kommer L2+ att vara vanligt
2050 har samverkande säkerhet etablerats, det finns 6 miljarder trafikanter men dödsolyckorna har minskat till 0,7 miljoner.
Att förutsäga mobilitet för trafikanter är ett MobilityXlab-samarbete mellan Ericsson, Viscando och Veoneer.
Två megatrender är analys i realtid och tjänstefiering.

Egen kommentar: Ökad trafiksäkerhet är en bra användning av AI tillsammans med uppkopplade, samverkande fordon och trafiksystem.

How can AI and fashion help the exposed profession of truck drivers become safer?
Helena Iremo, Scania Group, Erik Tengedal, Imagimob
Uppgradering av säkerhetsvästen med uppkoppling och användning av ljus, intelligenta AI-algoritmer, accelerometer och gyro.

The journey to unleash the value of data with AI!
Robert Valton och Fredrik Moeschlin, AB Volvo
Beskriver arbetet hos Volvo med data och AI.

Develop AI cheaper and faster with collaborations
Hans Salomonsson, EmbeDL
Användning av syntetiskt genererade data för träning av AI.

Peter Kurzwelly, AI-innovation of Sweden.
Det finns en AI online-kurs på svenska. https://www.elementsofai.com/
Gör kursen! En uppföljning är på gång.

Sammanfattning

Det var många intressanta presentationer, och många om ”hur arbeta med AI i dina lösningar”. Min reflektion är att det har varit ännu mer intressant, om man tagit upp vad AI kan lösa och vad andra metoder kan lösa enklare för transportsystem och ta en bättre helhetssyn på ämnet.

FAW använder RoboSense smarta lidar

Kinesiska fordonstillverkaren FAW har nu beslutat använda och integrera likaså kinesiska RoboSenses nya ”smarta lidar” i sina kommande automatiserade fordon [1].

Den nya lidarn, RS-LiDAR-M1, är smart såtillvida att den inte bara skickar ut rådata utan även innehåller AI-mjukvara för att analysera och generera tidssynkroniserad data om position, objekt och objektklassificering, vägkanter etc. På detta sätt ska systemet bli billigare, robustare och dra mindre energi.

Egen kommentar:

Det är ett naturligt steg för sensortillverkare att bygga in mer och mer intelligens i sensorerna. Motsvarande gäller även för aktivatorer/ställdon (drivlina, styrning, bromsar) vilket då leder till att fordonstillverkarna kan fokusera på den övergripande regleringen av fordonet.

Källa:

[1] FAW Teams up with RoboSense on The World’s First Automotive-grade Solid-state Smart LiDAR Sensor for Serial Production, Business Wire 27 september 2019 Länk