Kategoriarkiv: Teknologi

Sensorer

Interferens mellan lidar och kamera?

Under årets Consumer Electronics Show (CES) hävdade en fotograf att lasern från en lidar slagit ut CCD-sensorn i hans digitalkamera [1]. CCD står för charge-coupled divice, en elektronisk enhet som mäter ljusstyrkan. Lidarn i fråga påstås vara av märket AEyes med en våglängd på 1550 nm och en räckvidd på 1000 m. 

Det finns inga bevis förutom fotografens egna bilder som påstås illustrera skadan så frågan om det verkligen skett står obesvarad. Att döma av diverse experters utlåtanden i fråga så är sådana företeelser ej helt uteslutna. Viktigt att notera att denna våglängd ligger utanför godkända våglängder i USA. 

IEEE Spectrum har publicerat en intressant artikel på temat för dem som är intresserade av att gräva djupare i det hela [2]. Veteranen Brad Templeton presenterar också intressanta reflektioner i sin bloggartikel [3].

Källor

[1] Lee B T, Arstecnica. Man says CES lidar’s laser was so powerful it wrecked his $1,998 camera. 2019-01-11 Länk

[2] Hecht, J, IEEE Spectrum. Can Lidars Zap Camera Chips? 2019-01-24 Länk

[3] Templeton, B., Longwave LIDAR burns out camera sensor — a big problem in the making? 2019-01-25 Länk

Artificiell intelligens

Waymo och Google använder AutoML för att bygga Machine Learning

Waymo, kända för sina självkörande fordon, är väl förtrogna med machine learning (ML) som de använder i nästan alla delar av sina fordon, från att läsa av omgivningen, att förutsäga hur trafikanter i närheten kommer agera och bestämma det egna fordonets nästa rörelse.

Med ett samarbete med Google AI och forskare från ”the Brain team” har forskare börjat undersöka möjligheten att använda ett ML-baserat system, AutoML, för att anpassa sina modeller till olika städer och miljöer. Frågan som samarbetet jobbar med att söka finna svar på är: kan AutoML generera högpresterande och snabba Neural Networks för en bil? Med prestanda menar de hur precision i svaren från näten och med snabbhet menar de hur snabbt nätet kan leverera ett svar. 

För att hitta en bra arkitektur för ett neuralt nätverk görs mycket manuellt arbete med att kominera olika typer av byggblock, t.ex. antal gömda noder och inlärningsfunktioner etc. 

Med hjälp av AutoML kunde de automatiskt kombinera dessa byggblock och på så sätt förbättra prestanda på två olika sätt: nya nätverk som var signifikant snabbare, fast med liknande precision och nätverk med högre precision fast med liknande snabbhet.
Alltså, genom att kombinera olika byggblock kunde de utforska olika konfiguration av nätverken. Så, med denna kunskap ville de även prova att skapa helt nya typer av nätverk. 

Eftersom det tar dagar att utvärdera en ny arkitektur skapades mini-problem baserade på original-problemet, dvs. bildsegmentering. Miniproblemen kunde analyseras på några timmar och nu kunde AutoML mjukvaran användas för att testa inte bara nya byggblock utan helt nya arkitekturer. Det som annars skulle ta år att köra på servrarna med multipla grafik-kort tog nu några timmar. 

Resultaten var enastående, 10 000 nya arkitekturer kunde skapas automatiskt, och testas på ett par veckor (istället för över ett år). Nätverk som var 20-30% snabbare och med mellan 8-10% högre precision kunde automatgenereras.

Källa:

[1] Automating the design of machine learning models for autonomous driving, Waymo 2019-01-15 Länk

Artificiell intelligens

Vatten och AI

En rapport från ”Center of U.S. auto manufacturing” höjer ett varningens finger kring prestanda hos AI-baserade algoritmer för objektidentifiering i samband med regn. Hayder Radha, professor vid Michigan State University, bekräftar detta problem och säger: I tester missar algoritmen ca 20% av alla objekt i lätt regn, om regnet tredubblas, dubbleras felfrekvensen. Även till synes små förändringar som färgskiftningar på grund av årstiderna kan påverka fordonens radar och lidarsensorer säger Prof. Radha.

Trots dessa utmaningar storsatsar bl.a. Hyundai på AI-teknologi för självkörande fordon. De har bl.a. investerat i startupföretaget Allegro.ai. Även Boston-baserade företaget Optimus Ride satsar med Nvidias Drive AGX Xavier plattformar för att starta en flotta med självkörande fordon i specifika områden t.ex. högskolekcampus och andra zoner för självkörande fordon.

Källa: 

[1] George Leopold: Study Pours Cold Water on AI Driving Algorithms, Datanami 2019-01-02 Länk

Positionering, Sensorer, Tester och demonstrationer

Audi och Volkswagen testar ny lidarsensor i sin flotta av självkörande fordon

Audi och Volkswagen inleder ett samarbete med AV-sensor plattformsleverantören Luminar för att använda deras avancerade lidarsensorer i sin flotta av självkörande bilar, som för närvarande håller på att testas i München, Tyskland [1].

Luminars lidarer kommer att placeras på fordonets tak och användas för att få framåtriktad perception med lång räckvidd och hög precision. Fordonen kommer också att få stöd av lidarsensorer för kort räckvidd för att man ska kunna se i sidled. Detta tillsammans med radar och kameror möjliggör att man kan få ett 360° synfält kring fordonet.

Källa

Billington, J., Audi and Volkswagen to use advanced lidar technology in autonomous mobility fleet. Autonomous Vehicle International 2018-12-21 Länk

Elektronik och processorer, Informationssäkerhet, Kommunikation

Säkrare informationsutbyte i fordon

Inom ramen för ett nytt Vinnova-finansierat forskningsprojekt kommer forskare vid Mälardalens högskola (MDH) ihop med Arcticus Systems och Volvo CE att ta fram ett ramverk för utveckling och användning av en ny teknik som kallas Time Sensitive Networking (TSN) [1]. Denna teknik gör det möjligt för inbyggda datorer i fordon att kommunicera stora mängder information med varandra på ett säkert sätt.

Fokus i projektet kommer att ligga på autonoma entreprenadfordon, men resultaten kommer att kunna användas i alla typer av moderna fordon.

Projektet heter DESTINE – Developing Predictable Vehicle Software Utilizing Time Sensitive Networking, har en budget på 13,5 miljoner kronor och kommer att pågå i tre år.

Egen kommentar

Det är oklart för mig om projektet kommer att utforska något om kommunikationsnätverk i fordon. Detta är också ett område som behöver vidareutvecklas med tanke på den stora mängden data som behöver skickas mellan olika enheter i fordonet. 

Källor

[1] MDH Säkrare fordon genom MDH-forskning. 2018-12-10 Länk

Kooperativa system

Korea utvecklar virtuell miljö för att testa autonoma fordon

Den koreanska regeringen har slutfört utvecklingen av en virtuell stad utformad för att testa autonoma fordon [1].

Teststaden har simuleringar av motorvägar, olika stadsdelar, förorter och kommunala miljöer och har dussintals olika körförhållanden såsom tullportar, tunnlar, korsningar och byggarbetsplatser.

Baserat på 5G-nätet öppnar teststaden för möjligheten att testa kooperativa system (till exempel mellan självkörande fordon och väginfrastruktur).

Källor

[1] Construction of Virtual City for Test-Driving Autonomous Vehicles Completed. KBS World Radio 2018-12-10 Länk

Forskningsprojekt, Funktioner, Sensorer

Detektion av dolda objekt

Detektion av objekt som är dolda exempelvis bakom gatuhörn är en utmaning som fordonsbranschen brottats med länge. I en studie utförd vid MIT har man föreslagit en ny algoritm som utifrån videodata detekterar dolda rörliga objekt [1].

Den nya algoritmen som går under namnet ShadowCam detekterar skuggorna av dolda objekt och klassificerar dessa objekt som ”dynamiska” eller ”statiska”. Den genomsnittliga klassificeringsnoggrannheten på simulerade data är ca 80% och på verkliga data ca 70%.

ShadowCam-algoritmen och datasetet som innehåller simulerade och verkliga finns att tillgå under öppen källkodslicens.

Källor

[1] Naser et al., 2018. ShadowCam: Real-Time Detection Of Moving Obstacles Behind A Corner For Autonomous Vehicles. 21st IEEE International Conference on Intelligent Transportation Systems, 4-7 November, 2018 Länk

Kommunikation

GM tar patent för användning av blockkedjor

General Motors (GM) har nyligen fått ett patent beviljat som visar möjligheten att använda en blockchain-databas för datautbyte mellan fordon och andra enheter [1]. Patentet går under namnet Method and System using a Blockchain Database for Data Exchange between Vehicles and Entities.

I patentet beskrivs bland annat hur blockkedjor kan användas för utbyte av händelseinformation som är relevant för beslutsfattandet i automatiserade fordon:

  • Blockchain technology while associated with use in the financial sector has applicability to the non-financial sector and in this case, for use with autonomous and non-autonomous vehicle technologies.
  • [The] method and system [uses] blockchains for distributing event information related to vehicle operation between a plurality of entities.
  • The method includes executing blockchain agreements between the plurality of entities participating in a blockchain exchange for distributing event information related to the vehicle operation, where the blockchain exchange includes a plurality of databases having blockchains of data blocks for storing the event information.

Källor

[1] USPTO. Method and System using a Blockchain Database for Data Exchange between Vehicles and Entities. 2018-11-29 Länk

Kartor

Utveckling av HD-kartor för autonoma fordon

En ledande leverantör av HD-kartläggning och lokaliseringsteknik för autonoma fordon, DeepMap, har fått licensavtal med svenska Einride och San Francisco-baserade nya mobilitet plattformsleverantören Ridecell [1]. Båda företagen kommer att integrera DeepMaps programvara i sin flotta av autonoma fordon.

Hyundai kommer också att inleda ett samarbete med AI-startupen Netradyne för att utveckla HD-kartor för autonoma fordon [2]. Hyundais forskargrupp kommer att dra nytta av Netradyne’s crowd-sourceade deep vision-teknologi för utveckling av HD-kartorna.

Netradyne har uppgett att deras crowdsourceade deep vision-analyser för HD-kartgenerering är ett billigare alternativ jämfört med LIDAR-baserad kartläggning som används av andra företag.

Källor

[1] Hyundai partners with AI start-up to make HD maps for autonomous cars. ZDNet 2018-12-05 Länk

[2] DeepMap Announces New Customers in Europe and North America; Einride and Ridecell Select DeepMap’s HD Mapping Technology for Autonomous Vehicle Fleets. GlobeNewswire 2018-12-04 Länk

Mjukvara

Ford utvecklar algoritm för att förutspå trafikolyckor

Ford har kommit med ett sätt att använda Big Data för att hjälpa städer att identifiera platser där det  sannolikt kommer att ske trafikincidenter om inget görs.

Företaget trackade färdrutter och loggade mycket detaljerad kördata från körsessioner som när inbromsning sker, hur kraftig inbromsningen var samt när varningsljus användes. Detta bidrog till att de kunde identifiera när fordonen var nästan med om en olycka. Ford korsrefererade sedan denna information mot befintliga olycksrapporter och utvecklade en algoritm för att beräkna sannolikheten för var framtida incidenter skulle kunna uppstå.

Forskare från Fords Global Data Insight och Analytics-teamet kunde analysera informationen via en interaktiv instrumentbräda. Denna teknologi kan användas i alla typer av vägscenarion, inte bara i städer.

Källa

Ford reveals how big data could help make cities safer. SafeCar News 2018-11-30 Länk