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
Veoneer har valt FLIR Systems termiska sensorteknologi för sin planerade produktion av autonoma fordon (nivå 4) på beställning av en global biltillverkare [1].
De värmekänsliga kamerorna har förmåga att se upp till fyra gånger längre än strålkastare på natten, och upptäcker värmen som avges av alla objekt. Denna teknik ger ytterligare data till de befintliga AD-sensorerna för att förbättra tillförlitlighet och redundans, och därigenom underlätta bättre beslutsfattande.
Källa:
[1] McDowd, T., FLIR Systems Partners with
Veoneer for First Thermal Sensor-Equipped Production Self-Driving Car with a
Leading Global Automaker. Financial Post 2019-10-30 Länk
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
Forskare på MIT har utvecklat ett system som kan detektera små förändringar i skuggor på marken för att se om det finns ett rörligt objekt, till exempel en fotgängare, bakom hörnet [1].
Systemet, kallat ShadowCam, jämför ljusinstensiteten i skuggor i en videosekvens och klassificerar objekt som stillastående eller rörliga via en avancerad metod kallad “Direct Sparse Odometry” eller DSO.
Källa
[1] Rob Matheson: Helping autonomous vehicles see around corners, MIT News 2019-10-27 Länk
Hyundai Mobis samarbetar med Velodyne för att ta fram och producera ett lidarsystem för självkörande fordon nivå 3, att lanseras 2021 med början i Asien [1]. Hyundai Mobis kommer också att investera $50 miljoner i Velodyne. Tidigare har Hyundai Mobis utvecklat radarer och kameror för fordonstillämpningar.
Hyundai Mobis samarbetar också med ryska Yandex för demonstration av en självkörande taxitjänst i Detroit i samband med bilmässan i juni 2020 [2].
Källor
[1] Hyundai Mobis invests in and forms partnership with Velodyne Lidar, SafeCarNews 2019-10-23 Länk
[2] Nadezhda Tsydenova, Alexander Marrow: Russia’s Yandex to test driverless cars in U.S. from next summer, Yahoo Finance 2019-10-23 Länk
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
Ett tips: 19 november kl 15-16 hålls ett webinar om trafikplaneringsverktyg och självkörande fordon kallat Automation-ready transport modelling tools: including CAVs in your traffic flow and transport demand simulations. Mer info och anmälan finns här.
Geotab är ett företag som säljer en öppen plattform för hantering av fordonsflottor för kommersiella fordonsoperatörer. Plattformen är öppen och har ett hundratal tredjepartsutvecklare appar. Plattformen används av 1,8 miljoner användare så det är en stor spelare.
Och nu finns där en ny app: HAAS Alerts Safety Cloud skickar tidiga varningar via Geotab om det finns hinder framför fordonen, som till exempel stillastående andra fordon, för att på det sättet undvika kollisioner [1].
Egen kommentar
Det är oklart för mig om Safety Cloud bara samlar information från fordon som är uppkopplade dit eller om de även använder öppna data.
Källa
[1] HAAS Alert Launches on the Geotab Marketplace to Offer Enhanced Safety Service, PR Newswire 2019-10-11 Länk
En grupp forskare vid University of Waterloo i Kanada har publicerat sina resultat i en ny vetenskaplig artikel med titel Crash Mitigation in Motion Planning for Autonomous Vehicles [1].
Som det framgår av själva titeln handlar artikeln om reducering av skador i oundvikliga olyckor med automatiserade fordon. De har använt sig av en modell för prediktiv kontroll (Model Predictive Control, MPC). När modellen förutsäger att en olycka är oundviklig aktiveras dess reglersystem som sedan baserat på bland annat kraschens uppskattade allvarlighetsgrad, fordonets dynamik och vägens utformning väljer en trajektoria med minst risk.
Egen kommentar
Bättre säkerhet är en av de främsta förväntade fördelarna med automatiserade fordon och många tror att de aldrig kommer krocka. Men så är tyvärr inte fallet, förr eller senare kommer även automatiserade fordon att krocka. Då är det nödvändigt att ha system som kan mildra skador i olyckor som inte går att undvika. Men nya frågor kan uppstå när systemen avgör hur en krock ska ske – vilken bil ska man prioritera?
Källor
[1] Wang et al., Crash Mitigation in Motion Planning for Autonomous Vehicles. IEEE Transactions on Intelligent Transportation Systems. Länk
Tillsammans ska de definiera en referensarkitektur och en plattform som uppfyller prestandamålen för automatiserade fordon i termer av beräkningskraft, värme och storlek. De kommer också att utveckla kraven för API:er för olika delar av plattformen.
Målet med det hela är att påskynda introduktionen av säkrare och prisvärda automatiserade fordon i stor skala.
Egen kommentar
Att utveckla hård- och mjukvara för en eller några få självkörande fordon är svårt men ändå hanterbart. Men att få det hela att fungera i en storskalig produktion och samtidigt hålla kostanden så låg som möjligt är mycket svårare. På så sätt är kostnadseffektiva datorer som går att massproducera extra intressanta.
Källor
[1] Embedded Computing Design. New Consortium to Develop a Common Computing Platform for Autonomous Vehicles. 2019-10-09 Länk