Kategoriarkiv: Teknologi

Kommunikation

Viktiga framsteg för C-V2X

Det blev en glädjevecka för chiptillverkaren Qualcomm och deras samarbetspartners som utvecklar produkter baserade på mobilkommunikation, s.k. Cellular Vehicle-to-Everything (C-V2X). 

Sju kommunikationsprodukter som innehåller Qualcomms chiplösning 9150 C-V2X har blivit certifierade i enlighet med det europiska radioutrustningsdirektivet, RED [1]:

Dessa produkter får nu lanseras på den europeiska marknaden för första gången, och väntas ha stor betydelse för uppkopplade och automatiserade transporter. 

Egen kommentar

Att C-V2X är på frammarsch råder det ingen tvekan om. I Kina börjar fälttester övergå till tidiga implementeringar. I USA har de senaste fälttesterna visat flera framsteg vad det gäller C-V2X räckvidd, tillförlitlighet och prestanda.

I Europa visade de senaste pluggstesterna på lyckad interoperabilitet mellan flera leverantörers lösningar. Som följd av detta planers flera uppkopplade korridorer för att testa tekniken på europeiska vägar, exempelvis inom ramen för EU-projekt 5G-CARMEN och Concorda.

Detta innebär dock inte att Wi-Fi-baseradelösningar är ute ur spelet. Bara att spelet blivit allvarligare.

Källor

[1] Qualcomm. Qualcomm Announces Significant Progress Toward Commercial Introduction of C-V2X in Europe. 2020-03-10 Länk

Kartor, Kommunikation, Kooperativa system, Mjukvara, Positionering, Sensorer, Teknologi, Tester och demonstrationer

Högupplöst kartuppdatering i farten

För någon vecka sedan nämnde vi ett forskningsprojekt i Australien som visade på betydelsen av realtidsuppdaterade högupplösta kartor för självkörande fordon. Nu har TomTom tillsammans med två Toyotaägda bolag (TRI-AD och Denso) visat en fungerade lösning för att automatiskt uppdatera högupplösta kartor [1].

För detta användes TRI-AD-testfordon utrustade med DENSO-sensorer, TRI-ADs Automated Mapping Platform (AMP) och TomToms molnbaserade kartplattform.

Den höga detaljrikedomen från sensorer från vägfordon kombineras med satellitbilder. På detta sätt påstås fördröjningen i uppdateringar av högdefinitionskartor kortas och de ytor som beskrivs med högupplösta kartor kunna expanderas. Priset för att skapa och uppdatera kartorna ska också minska rejält. [2]

Källa

[1] TomTom. TomTom, Toyota Research Institute – Advanced Development, Inc. and DENSO Collaborate on Advanced Mapmaking for Automated Driving. 2020-03-10. Länk

[2] Toyota. TRI-AD enables successful creation of HD maps for automated driving on surface roads. 2020-03-10 Länk

Mjukvara, Okategoriserade, Sensorer

Djurdetektion för ADAS och AD

Startupföretaget StradVision meddelar att de utvecklar algoritmer för djurdetektion i sitt djupinlärningsbaserade kamerasystem [1].

Det sägs även att systemet ska kunna detektera djur i dåliga väderförhållanden, såväl som miljöer där djur kan vara skymda av till exempel träd.

Källa

[1] PRNewswire. StradVision Developing Groundbreaking Animal Detection Software for ADAS Systems and Autonomous Vehicles. 2020-03-05 Länk

Artificiell intelligens

Imitationsinlärning för snabbare beslutsfattande

En forskargrupp från Deakin University i Australien har publicerat en ny studie med titeln Deep Imitation Learning for Autonomous Vehicles Based on Convolutional Neural Networks [1]. Som det framgår av titeln så använder de sig av s.k. imitationsinlärning där algoritmen lär sig från demonstrationer. 

Under experimentet fick en mänsklig förare köra ett fordon utrustat med tre utåtriktade kameror. Kamerabilderna behandlas sedan med faltningsnätverk (convolutional neural networks, CNN) som lär sig fatta beslut utifrån förarens beslut.

Studien fokuserade på att utvärdera hur prestandan hos CNN påverkas av olika arkitekturer, inklusive antalet lager och filter samt filterstorleken. De kom fram till att antalet filter inte påverkar prestandan.

Källor

[1] CHINESE ASSOCIATION OF AUTOMATION. Improving the vision of self-driving vehicles. 2020-03-06 Länk

Lastbilar, Mobilitetstjänster, Sensorer, Teknologi

Waymo tar in 2,25 miljarder dollar i riskkapital

Waymo har fått 2,25 miljarder dollar under sin första externa finansieringsrunda [1]. Pengarna kommer att användas till rekryteringar och investeringar i deras teknik och global verksamhet.

Företaget har också tillkännagett att de kommer lansera leveranstjänsten Waymo Via. Den kommer att fokusera på olika typer av varu- och godsleverans, inklusive tunga lastbilar [2] .

Utöver det har företaget visat femte generationen av s.k. Waymo Driver som består av mjukvaru- och hårdvarukomponenter som möjliggör självkörning [3].

Jämfört med dess föregångare påstås det nya systemet ha mer robusta sensorer som möjliggör bättre detektering och lättare uppskalning. Det påstås ha förmåga att identifiera fotgängare och stoppskyltar på avstånd över 500 meter. En annan nyhet är Waymos egenutvecklade perimeter lidar. Totalt inkluderar systemet 6 kameror, 4 lidarenheter samt 3 radrenheter med olika funktioner och synfält.

Systemet har installerats på eldrivna Jaguar I-PACE som kommer utgöra en stor del av Waymos fordonsflotta under de närmaste åren.

Här kan ni se en film om Waymos vision om framtida transporter.

Källor

[1] Korosec, K., Waymo brings in $2.25 billion from outside investors, Alphabet 2020-03-02 Länk

[2] Waymo raises first external investment round. Waymo 2020-03-02 Länk

[3] Jeyachandran, S., Waymo. Introducing the 5th-generation Waymo Driver: Informed by experience, designed for scale, engineered to tackle more environments. 2020-03-04 Länk

Artificiell intelligens, Teknologi

Ubers maskininlärning och versionshantering

Uber har publicerat en övergripande beskrivning av sin infrastruktur för maskininlärningsmodeller samt ett verktyg, VerCD, som hjälper dem att hantera olika versioner av dessa modeller [1].

Maskininlärningsmodeller skapas i fem steg: 

  • Dataintag. Dataloggar för utveckling av maskininlärningsmodeller väljs ut och förs in till maskininlärningstacken. Ungefär 75 % av data används för träning, 15% för test och 10 % för validering.
  • Datavalidering. Den utvalda datamängden behandlas för att detektera och klassificera olika objekt. Dessa jämförs sedan med andra datamängder över samma scener för att förstå hur förhållandena har förändrats.
  • Modellträning. För att träna modeller appliceras Horovods distribuerad träning. Träningen sker parallellt på olika processorer så att samma modell tränas på flera processorer med olika delar av datamängden. I ett nästa steg används Horovods ring-allreduce-algoritm för att fördela det som en processor lärt sig till alla andra processorer. För att säkerställa att träningen går enligt plan övervakar ingenjörerna processen med hjälp av TensorFlow och PyTorch. Orkestrering av träningsarbetet görs med hjälp av Peloton, en open source resursplanerare utvecklad av Uber. 
  • Modellutvärdering. Utvärderingen omfattar modeller såväl som hela systemets prestanda. Här används både modellspecifika mätvärden och systemvärden. Utöver det utvärderas hårdvaran som modellerna kommer att exekveras på för att se hur väl den hanterar dessa modeller.
  • Modellimplementering. Efter att en modell tränats och utvärderats implementeras den på en dator i det självkörande fordonet.

Alla dessa steg kräver en hel del handpåläggning och stöd från ingenjörer vilket öppnar upp för misstag. Då varje steg har inbyggda beroenden till andra steg och andra system kan ett litet misstag få påtagliga konsekvenser. Det är där som verktyget VerCD kommer in i bilden. Det har skapats av Uber för att automatisera arbetsflödet samt underlätta hanteringen av olika beroenden och modellversioner. 

Egen kommentar

Kopplat till detta kan ni vi också rapportera att Ubers VD Dara Khosrowshahi är positiv till att använda självkörande teknologi från andra tillverkare och ska ha inlett samtal med relevanta aktörer. Några gissningar?

En annan Uber-relaterad nyhet är att företagets f.d. ingenjör Anthony Levandowski beordrats av en domstol i Kalifornien att betala 179 miljoner dollar till Google för brott mot villkoren i hans kontrakt och separationsavtal med Google. Han har nu ansökt om konkursskydd. Levandowski påstås ha stulit med sig flera tusentals dokument när han lämnade Google (Waymo), och som han sedan ska ha använt för att utveckla en lidarsensor för automatiserade lastbilar på Otto – som senare blivit uppköpta av Uber.

Källor

[1] Yu Guo, Khalid Ashmawy, Eric Huang, Wei Zeng. Uber Engineering. Under the Hood of Uber ATG’s Machine Learning Infrastructure and Versioning Control Platform for Self-Driving Vehicles. 2020-03-04 Länk

Positionering

Satellitnavigation

Amerikanska Swift Navigation som utvecklar teknologi för satellitnavigation ska nu ingå ett samarbete med Deutsche Telekom som är ett tyskt telekommunikationsföretag [1, 2].

Samarbetet syftar till att Deutsche Telekom ska få använda Swifts Skylark Cloud Correction Services till sin kommunikationsinfrastruktur. Skylark består av mjukvarualgoritmer för satellitnavigation som sägs ge en positioneringsnoggrannhet på mindre än 10 cm.

Swifts lösning är lämpad för bland annat autonoma fordon och förarstödssytem (ADAS) där hög positionsprecision är nödvändig. Andra former av autonoma fordon som exempelvis drönare och varuleveransrobotar kan också utnyttja teknologin.

Samtidigt satsar även Geely 326 miljoner dollar på att producera satelliter med låg omloppsbana [3]. Dessa satelliter väntas kunna ge bättre uppkoppling och hög precision vid navigering av autonoma fordon. Kommersiell lansering är planerad senare under året.

Källor

[1] Kirchhof, N., Telekom. Swift Navigation and Deutsche Telekom Announce Partnership. 2020-03-03 Länk

[2] Telekompaper. Deutsche Telekom partners with Swift Navigation on cloud correction service for autonomous vehicles. 2020-03-03 Länk

[3] Reuters. China’s Geely invests $326 mln to build satellites for autonomous cars. 2020-03-03 Länk

Kommunikation, Kooperativa system, Tester och demonstrationer

Trafikverkets mål: Självkörande bussar i Linköping

Trafikverket går nu ut med en förfrågan för ett demonstrationsprojekt med självkörande bussar, eller andra innovativa fordon [1]. Om det finns ett intresse bland fordonstillverkare och andra aktörer kan ett sådant projekt upphandlas senare under året.

Tanken är att upphandla ett kunskapsunderlag där man får möjlighet att lära sig hur fordonen samspelar med den omgivande infrastrukturen, enligt Peter Smeds, utredningsledare för programmet Digitaliseringen av transportsystemet på Trafikverket.

Myndigheten har redan sträckan från Vikingstad järnvägsstation till Linköpings universitetsområde i åtanke. Sträckan är ca 10 kilometer lång och har en varierad trafikmiljö som innehåller allt från 30-väg till 2+1-väg med hastighetsgränsen 100 km/h.

Ambitionen är att projektet ska pågå i två år med två bussar för att kunna undersöka funktionen i olika väderförhållanden och årstider. Grundförutsättning är att de nya bussarna är fossilfria (t.ex. eldrivna).

Egen kommentar

På tal om bussar så invigs testningen av självkörande skyttelbussar i Linköping den 10 mars kl 10. Detta görs inom ramen för ett pågående forskningsprojekt i samarbete mellan Linköpings universitet, VTI, Linköpings kommun, Östgötatrafiken, Science Park Mjärdevi, RISE, Transdev och Akademiska Hus.

Adressen är Studenthuset, campus Valla, Linköpings universitet.

Källa

Kristensson, J., Trafikverkets mål: Stora självkörande bussar i Linköping. Ny Teknik 2020-03-02 Länk

Artificiell intelligens, Forskningsprojekt, Infrastruktur, Personbilar, Tester och demonstrationer

Infrastrukturen och kartors betydelse

Queensland University of Technology i Australien har precis avslutat en studie om hur viktig infrastrukturens utformning är för självkörande fordon. Under en tremånadersperiod körde forskarna en bil utrustad med en mängd olika kameror och sensorer. Totalt körde de 120 mil och samlade in 20 terabyte data som användes i syfte att testa toppmoderna AI-algoritmer [1].

Resultaten visade att i princip alla algoritmer idag är beroende av högupplöst kartunderlag för att kunna tolka skyltar och vägmarkeringar. Med enbart kameror upptäckte och förstod systemen bara cirka 40% skyltarna. Genom att lägga till kartor för att hjälpa kamerasystemet förbättrades siffran till 97%.

En slutsats var att kartsystemen kan komma att behöva uppdateras i realtid för att säkerställa att självkörande fordon ska kunna köra säkert.

Källor

[1] iMove Australia. Autonomous vehicles and Australian roads: Are they ready for each other. 2020-02-27 Länk

Sensorer

Navigering i snö med hjälp av radar

Vi har tidigare rapporterat om en radar som utvecklas vid MIT för kartläggning av geologiska mönster under vägytan. Nu har MIT-forskarna publicerat en artikel med titeln Autonomous Navigation in Inclement Weather based on a Localizing Ground Penetrating Radar med nya rön kopplat till denna radarteknik [1].

Lösningen som de beskriver i artikeln skapar en databas med unika fingeravtryck av geologiska mönster under vägytan. När bilen återvänder till den specifika platsen jämförs nuvarande mätningen med databasen för att hjälpa bilen att lokalisera sig.

Lösningen har utvärderats på en landsväg på en testbana. Resultaten visar att navigationsnoggrannheten med den nya lösningen blir i genomsnitt bara ca 2,5 cm sämre i snö jämfört med fina väderförhållanden. Resultaten visar dock att noggrannheten försämras något (blir ca 13 cm i genomsnitt) när det regnar. Detta eftersom mer vatten ansamlas i marken när det regnar, vilket leder till en större skillnad mellan databasen och nuvarande avläsningen.

Forskarna påpekar att både hård- och mjukvaran behöver optimeras innan lösningen kan användas kommersiellt.

Här kan ni se en kort video om det hela.

Källor

[1] Conner-Simons, A., MIT News. To self-drive in the snow, look under the road. 2020-02-26 Länk