Kategoriarkiv: Positionering

Aidrivers väljer RoboSense Lidar

Brittiska teknikföretaget Aidrivers, som fokuserar självkörande fordon för industriella tillämpningar som i hamnar, kommer att integrera en Lidar från kinesiska leverantören RoboSense [1] för positionering.

RoboSense Lidar sägs vara robust och kunna klara även svåra väderförhållanden.

Källa:

[1] RoboSense partners Aidrivers over autonomous solutions for industrial transportation, Economic Times – India Times 23 augusti 2019, Länk

Svensk forskning imponerar

Som utlovat så kommer här en sammanställning av relevant svensk forskning. Den är långtifrån heltäckande, dock inte mindre imponerande för det. Den visar på både bredd och djup samt det unika samarbetet som vi har mellan olika aktörer. Stort tack för alla bidrag! // As promised before, here comes a summary of relevant Swedish research. It is far from comprehensive, yet very impressive. It shows both depth and width, and the unique collaborative environment that we have in Sweden. Thanks to all contributors!

Sound design for self-driving cars. The recently started FFI project Sound Interaction in Intelligent Cars explores the role of sound in enhancing user experience during unsupervised autonomous driving. The work focuses on a set of design challenges that could have important effects on people’s willingness to use and buy self-driving cars, including lack of trust in the new technology and increased risk of motion sickness. For instance, the project examines the potential for sound to subtly inform users about upcoming vehicle maneuvers before they actually take place, allowing the users to better anticipate the vehicle’s imminent behavior. In addition to addressing established challenges, the project identifies and examines completely new ways to use sound and meet users’ needs in an environment where they no longer have responsibility as drivers. The work is a collaboration among Volvo Cars, RISE, and the audio production company Pole Position Production and will result in prototypes of complete sound design solutions for self-driving cars. The solutions will be evaluated with users in a VR setting as well as in a real demo car during 2020. For more information contact Fredrik Hagman at Volvo Cars (fredrik.hagman@volvocars.com). 

Adapting new city districts for autonomous vehicles. Halmstad University, together with ten other organisations in seven different countries, has received EU funding for a new research project for the development of smart cities. The project aims to facilitate the planning and development of new city districts so that they are adapted for electric autonomous vehicles. The project is called SUV (Stimulating the Up-take of Shared and Electric Autonomous Vehicles by Local Authorities) and brings together universities, transport organisations and municipalities for a sustainable development of urban environments. Halmstad University will in the project contribute with technologies for connected and collaborative autonomous vehicles. One example of such technology is the communication between vehicles, as well as between vehicles and the infrastructure. The University will also contribute with technical competence in modelling different scenarios with autonomous vehicles. Examples of these scenarios are the traffic flow in cities and how to connect autonomous driving in different environments, such as between a restricted harbour area and the public road network. Varberg municipality is also a project partner. For more information contact Magnus Jonsson (magnus.jonsson@hh.se) at Halmstad University.

System-av-system för effektiv hantering av nödsituationer. HIEM (Holistisk och integrerad nödsituation hantering med hjälp av avancerad teknik och utrustning vid trafikolyckor) är ett Vinnovafinansierat bilateralt projekt med Kina, och SoSER (System av system för effektiva räddningsinsatser och mobilitet i städer) är ett Vinnovafinansierat projekt inom system-av-system för urban mobilitet (SoSSUM). Båda dessa projekt handlar om effektiv hantering av nödsituationer men med olika fokus. I HIEM avser vi utveckla avancerad teknik för hantering av nödsituationer som inkluderar prehospital diagnostik, sjukhusval, navigering av utryckningsfordon, smart infrastrukturanpassning, kontroll av trafikflöden och hantering av trafikstockningar, trådlöskommunikation och systemintegration. I SoSEER fokuserar vi på system-av-system (SoS) och utvecklar SoS metoder för räddningsinsatser, inklusive arkitektur, modellering, simulering och integration.  Tillsammans kommer projekten att leverera ett effektivt system-av-system för räddningsinsatser som förbättrar mobilitet i städer vid trafikolyckor, och bidra till utveckling av framstående kunskapsbas i Sverige och utbildning av specialister inom området system-av-system. Både HEIM och SOSEER involverar fyra forskningsinstanser (Chalmers tekniska högskola: trafikflödesstyrning; RISE: systemintegration; Uppsala universitet: optimal ruttval; och VTI: trafiksäkerhet och nödhantering) och fyra industriaktörer (Medfield Diagnostics AB: utrustning för snabb prehospital diagnostik; H&E Solutions: fordonsutrustning för trådlöskommunikation; WSP AB: Intelligent infrastruktur och tjänsteleverantör; FellowBot AB: platsplanering för nödfordon). Det kinesiska forskarteamet leds av Changjiang Professor Wei Wang som är en av de mest inflytelserika transportforskarna i Kina med över 30 års erfarenhet inom nödhantering. Projekten kommer att pågå i tre år från 2019-04 till 2022-04 och välkomnar intressenter inom räddning och sjukvård att ta kontakt med konsortiet för diskussion och utveckling. För mer information kontakta Xiaobo Qu (xiaobo@chalmers.se) på Chalmers eller Lei Chen (lei.chen@ri.se) på RISE.

Hur upplevs olika körstilar? I slutet av FFI-projektet HaTric (Användargränssnitt för automatiserade fordon) genomförde Design & Human Factors försök på AstaZero med Wizard-of-Oz-bil från Volvo Cars. En Wizard-of-Oz-bil är gjord för att upplevas som helt självkörande, men framförs i verkligheten av en dold testförare i baksätet. Under försöket fick deltagarna uppleva två olika körstilar med fordonet som körde en bana med ett antal vanliga trafiksituationer. Fordonet körde ett varv med en mer offensiv stil och ett varv med en mer defensiv stil. Deltagarna fick skatta tillit i de olika situationerna och de intervjuades om sin uppfattning om hur fordonet uppförde sig och fungerade. Nu har vi analyserat klart resultaten från studien och några intressanta slutsatser är att människors tillit till fordonet påverkas mycket av situationerna, t.ex. om det finns oskyddade trafikanter med i situationen. Det var inte en körstil som upplevdes som mest tillitsskapande i alla situationer, men på det stora hela föredrog deltagarna den mer defensiva stilen. När det gällde deltagarnas förståelse och mentala bild av fordonet så byggde deltagarna tydligt upp en omfattande bild av hur fordonet fungerade och tänkte på baserat den väldigt begränsade input de fick. De tolkade in tekniska funktioner och komponenter, egenskaper, förmågor och till och med personlighet baserat på fordonets körning i de olika situationerna. För mer resultat, håll utkik efter kommande publikationer i Transportation Research Part F och licentiatsseminarier under hösten. Kontaktperson är Lars-Ola Bilgård (lars-ola.bligard@chalmers.se) på Chalmers. 

NPAD (Nätverks-RTK Positionering för Automatiserad Körning) är ett FFI-projekt som löper från maj 2018 till april 2020.Projektets mål är att möjliggöra Nätverks-RTK GNSS-positionering för ett stort antal mobila plattformar genom att tillämpa den standard som utvecklats av 3GPP samt anpassa Lantmäteriets befintliga infrastruktur (SWEPOS). Nätverks-RTK är en GNSS-teknologi som har potential att kunna svara mot krav på kostnad, noggrannhet och tillgänglighet. Denna teknologi bygger på att korrektionsdata från en fast referensstation kan tas emot av GNSS-mottagaren. Dagens distribution av korrektionsdata är inte byggt för en massmarknad av t.ex. automatiserade fordon eller smartphones. 3GPP arbetar nu med standardisering kring hur korrektionsdata skulle kunna distribueras via mobilnätet vilket skulle kunna möjliggöra positionering på cm-nivå för en massmarknad.  Projektet syftar till att sammanställa kravbilden utifrån automatiserade fordon, undersöka hur befintliga system för distribution av korrektionsdata skall anpassas och hur en komplett arkitektur skall se ut för distribution via mobilnätet. En demonstrator skall tas fram för att utföra tester och demonstrera tekniken dels på AstaZero och dels längs utvalda vägsträckor. Testerna skall validera den tekniska lösningen och testa både basstationsbyte och skifte mellan referensstationer.Projektet koordineras av RISE och övriga deltagare är AstaZero, Caliterra, Einride, Ericsson, Lantmäteriet, Scania, AB Volvo och Waysure. För mer information kontakta Stefan Nord (stefan.nord@ri.se) på RISE. 

Positionering på AstaZero. A0REF består av 3st Nätverks-RTK referensstationer monterade på tre olika ställen på testanläggningen AstaZero. Dessa har i samarbete mellan Lantmäteriet, MT och AstaZero placerats på AstaZero för att erbjuda referenspunkter med en noggrannhet på mm-nivå (s.k. ankarpunkter). Dessa kan sedan användas för att mäta in andra objekt på banan eller mätinstrument för att mäta på fordon, t.ex. position och hastighet, med spårbar noggrannhet. För mer information kontakta Stefan Nord (stefan.nord@ri.se) på RISE. 

Implementering av självkörande bilar: Överblick av problem och möjligheter avseende samhälleliga och etiska aspekter är ett projekt vid Institutet för Framtidsstudier i samarbete med KTH, som löper under delar av 2019 och 2020 inom ramen för Trafikverkets forskningsprogram ”Vision Zero Academy”. Som projekttiteln antyder är målet med projektet är att analysera etiska och samhälleliga aspekter avseende implementeringen av självkörande fordon. Projektet syftar å ena sidan att ge en bred överblick över vilka etiska frågor som förtjänar att belysas ytterligare. Å andra sidan kommer projektet bidra till att genomföra två djupare analyser av två sådana frågor. Först kommer vi analysera etiska maskinbeslut med avseende på självkörande fordon. Sedan kommer vi att analysera ansvarsfrågor rörande informationsflöden och människors personliga integritet. För mer information besök projektets websida eller kontakta Björn Lundgren (bjorn.lundgren@iffs.se) på Institutet för Framtidsstudier. 

Human Interaction with Automated Vehicles in Cities. This topic will be addressed in a new EU-project called Supporting the interaction of Humans and Automated vehicles: Preparing for the Environment of Tomorrow (SHAPE-IT) that will start in October 2019 and be coordinated by Chalmers. The main objective of SHAPE-IT is to facilitate safe, acceptable (and, ideally, desirable) integration of user-centred and transparent AVs into tomorrow’s mixed urban traffic environments, using both existing and new research methods, designing advanced interfaces and control strategies. This project spans three complementary facets of AV/human factors research: 1) understanding the behaviour of different road-users (inside and outside AVs) when interacting with AVs, investigating cognitive processes, predictability, trust, acceptance and safe interaction following an initial, and long-term exposure to AVs; 2) researching design strategies for the interfaces used for communication and interaction between AVs and humans (inside and outside AVs), and 3) integrating knowledge on human/AV interactions into models to perform prospective mixed traffic-AV safety assessments. As Artificial Intelligence (AI) is a core technology for AV development, in this project, we will also seek to integrate knowledge of human factors with that of AI in AV development, reducing the gap between human-factors and AI scientists, and AV software developers. Fifteen PhD-students will be performing research in the project (the recruitment is ongoing), together with their academic and industrial supervisors. For more information visit the project website or contact Jonas Bärgman (jonas.bargman@chalmers.se) at Chalmers.

Kunskapsunderlag om uppkopplade, samverkande och automatiserade fordon, farkoster och system. Under våren har Trafikanalys haft regeringens uppdrag att ta fram ett trafikslagsövergripande kunskapsunderlag som belyser utmaningar och möjligheter med uppkopplade, samverkande och automatiserade fordon, farkoster och system. Nu har detta publicerats i en rapport som hittas här. Där konstateras bland annat att utvecklingen kommer att ha störst påverkan på vägtrafiken, dels för att denna delsektor är ekonomisk störst och dels för att nyttorna blir mest påtagliga där. Det finns också risk för negativa effekter, som exempelvis risk för ökad vägtrafik som kan motverka de positiva effekterna och bidra till ett mer utspritt boendemönster och försämra underlaget för kollektivtrafik. Delat resande kommer att bli mycket viktigt för att lyckas begränsa den förväntade trafikökningen i urbana miljöer. Vidare konstateras det att utvecklingen rymmer också en rad potentiella målkonflikter; mellan ett kostnadseffektivt och integrerat transportsystem respektive samhällets sårbarhet för extrema risker, mellan enkel och effektiv datakommunikation respektive datasäkerhet, och mellan en storskalig tillgång till data för verksamhetssamordning respektive integritetsrisker. En rekommendation från studien är att det nationella ansvaret för riskhantering klarläggs och att resurser sätts av. Beaktat de osäkerheter som finns om den framtida utvecklingen konstateras att en bred palett av styrmedel kommer att behöva analyseras inför framtiden. För mer information kontakta Lennart Thörn (lennart.thorn@trafa.se) på Trafikanalys. 

Autobike – självkörande cykel. Syftet med studentprojektet Autobike är att utveckla en självkörande cykel som ska användas i testmiljöer för autonoma bilar. Innan autonoma bilar lanseras på marknaden testas de i testmiljöer för att säkerställa att de fungerar som de ska och till exempel kan väja för en cyklist som dyker upp helt oväntat.  Projektet sker i samverkan mellan Mälardalens högskola, Chalmers, AstaZero, Cycleurope och Volvo Cars. Under hösten och våren har studenterna arbetat med alltifrån val av cykel och utvecklingen av elektroniken, mjukvaran, programmeringen och mekaniken, till implementering av kontrollsystemet och testning av cykeln. Att få cykeln att balansera var inte det enklaste. Utvecklingen fortsätter efter sommaren. Här och här hittas mer information. 

V-Com. It is a precautionary system that communicates safety-critical information between truck drivers and vulnerable road users that was presented by six final year MSc students from Blekinge Institute of Technology and Stanford University together with Volvo Group Connected Solutions and its Silicon Valley based Innovation Lab Hub at this year’s Stanford EXPE – design experience. In Stanford’s capstone project, ME310, which runs from October to June, they move in a Design Thinking process through phases of needfinding, ideation, prototyping and more to arrive at a final detail designed product to display at the final exhibition, the EXPE. V-Com is a system of sensing, computation and communication components that the students mounted as an add-on on a truck. For more information visit this site or contact Jenny Elfsberg (jenny.elfsberg@volvo.com) at Innovation Lab Hub US at Volvo Group. 

En ny Tesla-olycka

Nu har det inträffat ännu en dödsolycka med en Tesla-bil som körde med Autopilot.

Utredare vid NTSB (National Transport Safety Board) har funnit att båda männen som omkom i Tesla-krascherna använde förarassistentsystemet Autopilot i samband med kollisionerna [1], [2].

Autopilot är ett Level 2 semi-autonomt system, som enligt Society of Automotive Engineers beskrivs som ett system som kombinerar adaptiv farthållare, körfälthållare, självparkering och nu senast möjligheten att automatiskt byta körfält.

Efter den första kraschen under 2016 fick Tesla en chans att adressera så kallade  ”edge cases” (ovanliga scenarion) för att kunna redesigna Autopilot. Tesla sade då att kameran misslyckats med att känna igen den vita lastbilen mot en ljus himmel; US National Highway Traffic Safety Administration (NHTSA) fann i huvudsak att föraren inte var uppmärksam på vägen och gjorde bedömningen att Tesla var oskyldiga.

Det som avslöjas nu är att trots att båda krascherna hade helt olika versioner av förarassisten teknologin (trots att båda kallas Autopilot) ledde de båda versionerna till dödligt utfall. Autopiloten i den första kraschen baserades på teknologi som utvecklats av den israeliska start-upen Mobileye (som sedan förvärvades av Intel). Olyckan var delvis anledningen till att de två företagen avslutade sitt samarbete 2016.

Den andra kraschen nu var med en Model 3 som var utrustad med en andra generationens Autopilot som Tesla utvecklat in-house. NTSB har sagt att föraren körde med Autopilot ca 10 sekunder innan den kraschade in i ett släpfordon. Föraren hade inte händerna på ratten i nästan åtta sekunder före kraschen och nationella utredare undersöker fortfarande fallet.

Säkerhetsexperter har noterat att system med adaptiva farthållare (som Autopilot) förlitar sig mest på radar för att undvika kollisioner. Radar är bra för att upptäcka rörliga objekt men inte stationära. Systemet har också svårt att upptäcka föremål såsom ett fordon som korsar vägen och inte rör sig i bilens färdriktning.

Egen kommentar

Tesla har ännu inte kommenterat kring hur de planerar att åtgärda detta problem. Detta kommer inte som en extra pålaga eftersom det inte bara är en teknisk aspekt som behöver åtgärdas utan också moraliska aspekter som alla som utvecklar denna teknologi behöver adressera [3]. Det finns nämligen inga tydliga parametrar för när ett självförande fordon anses vara tillräckligt säkert för att sättas på vägen. Det man inte heller vet är vilka metoder som ska användas för att bevisa att en självkörande bil är säker nog. Ska man sedan sikta på att ha fordon som kör 10% bättre eller 100% bättre än mänskliga förare?

En studie gjord 2017 av RAND Corporation fann att ju tidigare automatiserade fordon används, desto fler liv kommer man i slutändan att rädda, även om bilarna är bara lite säkrare än bilar som körs av människor. Forskare fann att på lång sikt kan introduktion av bilar som bara är 10% säkrare än en genomsnittliga förare rädda fler liv än att vänta tills fordonen är 75% eller 90% bättre.

Viktigt att notera är att Tesla, oberoende av den senaste händelsen, kommer att strypa Autopilot och Summonfunktionerna i Europa. Detta till följd av det reviderade regelkravet UN/ECE R79. I sin senaste produktuppdatering skriver företaget: ”På grund av nya lokalregleringar har man justerat gränsen för hur mycket ratten får vridas då ”Autosteer” är aktiverat. Det här kan reducera ”Autosteers” förmåga att genomföra skarpa svängar. Därutöver så måste körriktningsvisaren hållas i första spärren (delvis ned eller upp) och filbytet måste inledas inom fem sekunder efter att blinkers satts igång.”

Källor

[1] Hawkins, A.J., Tesla didn’t fix an Autopilot problem for three years, and now another person is dead. The Verge 2019-05-17 Länk

[2] Tesla’s Autopilot system was engaged during fatal Florida crash in March – NTSB. Reuters 2019-05-16 Länk

[3] Stewart, E., Self-driving cars have to be safer than regular cars. The question is how much. Vox 2019-05-17 Länk

Billigare positioneringsmodul

Ficosa har utvecklat en ny, billig positioneringsmodul kallad Escape, skriver Ny Teknik [1]. Modulen kombinerar satellitpositionering med ett 4G-modem, en accelerometer och ett gyroskop och kan också hämta och använda kart- och kameradata.

Resultatet ska ge en billigare och bättre positionering.

Källa

[1] John Edgren: Billiga EU-modulen ska ge säker autonomi för alla, Ny Teknik 2019-04-08 Länk

Radarreflektorer med fraktala superspridare

Fraktala superspridare, ”fractal superscatterers” gör det möjligt att elektromagnetiskt förstora ett radarmål och då också göra dess spektrala signatur identifierbart av t.ex. radarer i automatiserade fordon [1].

I praktiken kan alltså t.ex. vägstolpar och vägmarkeringar utrustas med sådana fraktala superspridare och på det sättet ge information till fordonet om t.ex. sina exakta positioner. Detta skulle göra det möjligt att slippa använda LIDAR och bara använda radar.

Egen kommentar:

För några år sedan gjorde vi tillsammans med Sentient+ en förstudie av identifierbara radarreflektorer [2]. Då föll det på teknologin som inte var tillräckligt utvecklad. Nu kan det alltså öppnas nya möjligheter.

Källor:

[1] Fractal superscatterers to enable driverless cars with greater safety and capabilities, SafeCarNews 2019-02-05 Länk

[2] Alexey Voronov, Johan Hultén, Johan Wedlin, Cristofer Englund: Radar reflecting pavement markers for vehicle automation, Trafikverket 2016 Länk

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

Navigation utan 3D karta

En grupp forskare vid MITs Computer Science and Artificial Intelligence Laboratory (CSAIL) har utvecklat en lösning som möjliggör för automatiserade fordon att navigera utan att ha tillgång till detaljerad 3D karta av omgivningen [1].

Med den nya lösningen som kallas MapLite kan automatiserade fordon klara obekanta vägar genom att enbart använda GPS och inbyggda sensorer.

Först definierar MapLite ett slutmål och ett “lokalt navigeringsmål” som behöver vara i fordonets nuvarande vy. Sedan skapas en sökväg till målet med hjälp av inbyggda sensorer som lidar. Ett viktigt antagande som görs är att vägen kommer att vara plattare än omgivande områden. MapLite inkluderar också parametriserade modeller som beskriver likartade situationer. En modell kan exempelvis beskriva vad fordonet ska göra vid korsningar eller hur den ska agera på en viss typ av väg.

Enligt forskarna är bergsvägar den största utmaningen eftersom systemet har problem med att handskas med dramatiska höjdförändringar.

Forskningen görs i samarbete med  Toyota Research Institute (TRI)  som har bland annat försett forskarna med en Toyota Prius som de använder i sina tester.

Egen kommentar

Det finns å andra sidan förstås goda skäl till att självkörande bilar matas med information från detaljerade 3D kartor, och det är att teknologin blir tillförlitlig på ett helt annat plan. Men den nya lösningen är självklart lovande och skulle underlätta navigeringen av automatiserade fordon betydligt.

Källor

[1] Conner-Simons, A., Gordon, R., MIT News. Self-driving cars for country roads. 2018-05-07 Länk

Ny laserteknik gör det möjligt för autonoma fordon upptäcka hinder runt hörnet

En forskargrupp från Stanford University har utvecklat ett nytt laserbaserat system som gör det möjligt för autonoma bilar att se hinder runt hörnet innan det är inom deras visuella synfält [1].

Systemet gör detta genom att effektivt producera bilder av föremål som är dolda runt ett hörn, vilket gör det möjligt för autonoma fordon att se hinder innan de kommer inom synhållet.

Genom att använda teknologier som t.ex. LIDAR, skickas laserpulser mot en yta och mäter tiden som krävs för att ljuset ska reflekteras – denna data samlas sedan in för att bygga en tredimensionell modell av ytan vilket resulterar i att man kan utveckla bildobjekt som inte är direkt synliga för kameran.

Forskargruppen uppgav också att den reflekterande karaktären av vägskyltar och cykelreflektorer gör deras teknik passar bra för autonoma fordon och tillägger att deras forskningen använder sensorer som liknar dem som redan används i autonoma fordon.

Trots detta meddelade forskargruppen dock att de fortfarande behöver förbättra systemet, så det kan bli bättre på att upptäcka objekt som inte är väldigt reflekterande eller stationära (till exempel barn eller vilda djur) men även att se till det kan användas utomhus under soliga förhållanden.

Källa

[1] Davis,N., New laser technology lets driverless cars see round corners, The Guardian, 2018-03-05 Länk

Israeliska start-ups i DRIVE

Förra nyhetsbrevet hade ett referat från ett amerikanskt start-up-seminarium. Vi fortsätter idag på det inslagna spåret.

Israeliska mobilitets-centret DRIVE i Tel Aviv samlar ett 30-tal start-up-företag verksamma inom framtida mobilitet, varav 10-15 st deltar i centrets acceleratorprogram där de får chans att vidareutveckla sina idéer i samverkan med centrets partnerföretag, bland dem Honda och Volvo Cars. I måndags 4 september var Volvo Cars värd för ett seminarium där 8 av DRIVEs dessa företag visade upp sig. Här är en kort beskrivning av deras produkter.

  • Arbe Robotics utvecklar en högupplöst 4D-radar med 110 graders synfält och 50 Hz frekvens som bland annat kan detektera små rörelser som till exempel ett barn bakom en bil.
  • Caaresys har tagit fram en lågkostnads-sensor som kan detektera och klassificera personer i en bil, samt också t.ex. se om de andas, är stressade, trötta e.d.
  • Cycuro har skapat en molnbaserad plattform för realtids-validering av data för att skyddas från manipulation.
  • Exo Technologies erbjuder GPS med hög noggrannhet till under 15 cm, genom att kontinuerligt beräkna satelliternas verkliga lägen. I vanlig GPS är lägena inte tillräckligt ofta uppdaterade vilket gör att informationen som sänds ut från satelliterna blir felaktig, upp mot 2 m. Ingen ny hårdvara krävs.
  • Fleetonomy har tagit fram en plattform som optimerar rutter för bildelningstjänster.
  • Hailo har utvecklat en processor anpassad för AI med låg kostnad och hög effektivitet.
  • Lynx är en samåkningstjänst som matchar person- och reseprofiler och också innehåller en betalningstjänst.
  • RFISEE har tagit fram en radar med hög upplösning, 3D-kapabilitet och låg kostnad.

Navigering utan GPS

Mjukvaruföretaget Kudan från Bristol har presenterat en ny mjukvara som möjliggör automatiserade fordon, drönare och robotar att navigera runt utan någon hjälp av GPS [1].

Kudan använder 3D-igenkänningsteknologi från förstärkt verklighet (AR) för att åstadkomma en positionerings-noggrannhet i realtid mellan 1 mm och 1 cm, med hjälp av en vanlig kamera. Eftersom det använder samma AR-teknik som används i mobiltelefoner behövs bara 5% av datorkraften hos en vanlig mobilprocessor för att köra mjukvaran.

Här kan ni se hur Kudan SLAM (Simultaneous Localisation And Mapping) fungerar.

Källor

[1] Kudan. KudanSLAM: 3D Recognition and Position Tracking Software is ready for the market. 2017-08-14 Länk