Något som jag noterat under det senaste året är att svensk media har en tendens att rapportera om utländska studier och projekt, ofta utan att ens nämna motsvarande svensk forskning (som i många fall kommit längre än så).
En möjlig förklaring är att våra forskare väntar med att publicera resultat tills de utforskat alla detaljer, och när de väl gör det är de blygsamma och inte använder trendiga ord som väcker uppmärksamhet. En annan observation är att våra företag är duktiga med att rapportera när de ingått ett samarbete med en utländsk forskningsinstans, medan inhemska samarbeten passerar oftast obemärkt.
Med anledning av detta bestämde vi oss att i årets sista nyhetsbrev ge utrymme till svensk forskning och visa vilken potential som vi faktiskt har på hemmaplan! Ett stort tack till er alla som bidragit till den här sammanställningen.
Beteendetolkning. Veronika Petrovych, Sam Thellman och Tom Ziemke undersöker i ett samarbete mellan Linköpings universitet och VTI människors vardagspsykologiska tolkningar av självkörande bilars beteende. I en pågående studie fick deltagare ta del av bilder på bilar i olika trafiksituationer – med eller utan mänsklig förare – samt korta verbala beskrivningar. Deltagarna gavs i uppgift att uppskatta i vilken utsträckning trafikbeteendena var avsiktliga, kontrollerbara och önskvärda, samt att ta ställning till rimligheten i olika föreslagna förklaringar till beteendena. Ögonrörelser mättes även i syfte att undersöka hur deltagarna tillgodogjorde sig den information som låg till grund för bedömningarna. Studien visar att deltagarnas sammantagna bedömning av trafikbeteendena i huvudsak var oberoende av om bilen hade en mänsklig förare eller inte. Samtidigt var deltagarna i betydligt lägre grad överens om hur de skulle bedöma trafikbeteendena när det inte fanns en förare. Studien är en del i ett större projekt om hur människor tolkar olika slags autonoma system (t.ex. Thellman, Silvervarg & Ziemke, 2017. Folk-Psychological Interpretation of Human vs. Humanoid Robot Behavior: Exploring the Intentional Stance toward Robots). Kontaktperson är Tom Ziemke (tom.ziemke@liu.se).
L3Pilot. Divisionen för fordonssäkerhet vid Chalmers deltar i EU-projektet L3Pilot som kommer att involvera 1 000 testförare och 100 fordon i 11 europeiska länder. Det är framförallt analyser av stora naturalistiska datamängder som är i fokus. Särskilt intressanta är ”what if”-analyser med numeriska simuleringar som använder sig av naturalistiska data och förarmodeller för att beräkna hur automatiserade fordon kan interagera med andra trafikanter på ett säkert sätt. Chalmers kommer att utvärdera automatiserad körning från ett tekniskt och ett humanfaktor-perspektiv. Detta kommer att hjälpa till att förstå hur människor interagerar med och anpassar sig till automatisering i verklig trafik, och därmed bidra till utveckling av automatiserade fordon som är säkra och accepterade av alla trafikanter. Projektet kommer också att involvera samarbete med SAFER och Volvo Cars. Projektet kommer att pågå i 4 år och har en total budget på ca 68 miljoner Euro. Projektledare för Chalmers del är Marco Dozza (marco.dozza@chalmers.se).
Kooperativ körning. Högskolan i Halmstad deltog vid och vann Grand Cooperative Driving Challenge 2016. Utifrån detta har vinnarlaget skrivit tre artiklar: Team Halmstad Approach to Cooperative Driving in the Grand Cooperative Driving Challenge 2016, Modelling the Level of Trust in a Cooperative Automated Vehicle Control System och An Approach for Receiver-Side Awareness Control in Vehicular Ad-Hoc Networks. Den första ger en översikt över lösningen och systemarkitekturen, på både hårdvaru- och mjukvarusidan. Den andra beskriver ett tillitssystem som gör det möjligt för ett kooperativt och automatiserat fordon att göra mer pålitliga och säkra beslut. Systemet utvärderar situationen och skapar ett tillitsindex som anger graden av tillit till miljön, det egna fordonet och omgivande fordon. Denna forskning sträcker sig bortom säker kommunikation och adresserar verifiering av mottagna data på en systemnivå. Resultaten visar att den föreslagna metoden kan korrekt identifiera olika trafiksituationer och hur tillitsindex används vid kooperativ manövrering. Slutligen behandlar den tredje artikeln en av utmaningarna i fordons ad-hoc-nätverk: hantering av medvetenhet och trängsel på grund av den stora mängden meddelanden som tas emot från fordon i kommunikationsområdet. Sådan överbelastning kan leda till en säkerhetsrisk. Artikeln föreslår ett s.k. streamwise queuing system på mottagarens sida och visar hur det förbättrar timingen hos mottagna meddelanden och upprätthåller systemets medvetenhet i en trafikstockningssituation. För mer information kontakta Wojciech Mostowski (wojciech.mostowski@hh.se).
Systemeffekter. KTH-baserade Integrated Transport Research Lab (ITRL), VTI och Trafikverket genomför ett forskningsprojekt för att öka förståelsen för vilken roll självkörande fordon kan ha i ett hållbart transportsystem. Forskningen på området har hittills antingen använt spekulativa metoder eller tittat i detalj på specifika, avgränsade tillämpningar. Detta projekt tar ett brett grepp och kopplar ihop befintlig forskning och kunskap i en övergripande systemmodell där ett flertal möjliga scenarier modelleras. Projektet kommer att samla in data från nationella och internationella pilotprojekt. Ett viktigt fokus är att förstå hur Trafikverket kan påverka utvecklingen genom strategiska åtgärder, t.ex. inom transportinfrastrukturen. Projektet startades upp under 2017 och pågår till och med december 2020. Det är Albin Engholm (aengholm@kth.se), Ida Kristoffersson (ida.kristoffersson@vti.se) och Anna Pernestål Brenden (pernestal@kth.se) som är involverade i projektet. För mer information kika in på projektets hemsida.
Säkrare säkerhetssystem. ADAS & ME är ett användarfall-orienterat projekt som syftar till att kombinera information om förar- och passagerartillstånd med information om situationen och omgivningen för att hantera specifika interaktionsstrategier för både HMI och automatiserade funktioner. Det kommer framförallt att fokusera på utveckling av system som kan läsa av när föraren börjar bli trött, ouppmärksam eller påverkad av känslor som när man är arg eller ledsen, och bedöma hur man lämpligen övergår till eller från automation beroende på förarens och fordonets förmåga. Det är fyra olika fordonsslag som kommer att tas i beaktandet: bil, lastbil, buss och motorcykel. Projektet involverar 30 privata och offentliga organisationer från 11 olika länder, finansieras av EU och har en budget på totalt 89 miljoner kronor. Projektet koordineras av Anna Anund (anna.anund@vti.se) på VTI. Förutom VTI deltar följande svenska organisationer i projektet: Scania, Autoliv, Smarteye, Stressforskningsinstitutet och Uppsala universitet.
Test Site Stockholm. Test Site Stockholm är en plattform där akademi, industri och myndigheter samarbetar för att utforska, utveckla och testa hur uppkopplade och automatiserade fordon kan bidra till ett framtida hållbart mobilitetsekosystem. Målet är att arbeta för ett hållbart framtida transportsystem tillsammans med relevanta aktörer inom Stockholmsområdet. Genom projektdeltagande, kunskapsutbyte och årliga demonstrationer görs konkreta steg för ett integrerat transportsystem, inklusive t.ex. drift av automatiserade bussar, utveckling av automationsteknik och informationsutbyte. Forskningen bedrivs inte bara från ett tekniskt perspektiv utan också ur ekonomiskt, samhälleligt och människoperspektiv. Projektet koordineras av Integrated Transport Research Lab på KTH. Projektpartner: Scania, Ericsson, Nobina, Kista Science City, Veridict, Stockholms stad, Carmenta, 4Dialog. Mer information återfinns här.
Kontrolltorn. Projektet Automated Vehicle Traffic Control Tower undersöker effekterna av automation på fordon- och trafikhantering av kommersiella fordonsflottor och kollektivtrafik. Målet med projektet är att förstå rollen som ett trafikstyrningstorn för automatiserade vägfordon kan ta. Ett sådant kontrolltorn kommer att användas för kontroll och drift på olika nivåer (fordon, flotta, trafiksystem) som kommer att påverkas av införandet av automatiserade och förarlösa fordon. Projektet strävar efter att påskynda forskningen kring en plattform som stödjer tillsyn, kontroll och hantering av automatiserade fordon. Det kommer att identifiera forskningsgap, barriärer och potential under olika scenarier. Projektet koordineras av Integrated Transport Research Lab vid KTH, Mobile Services Lab vid KTH, Asta Zero och Carmenta. Kontakta Martijn Bout (bout@kth.se) för mer information eller besök projektets hemsida. Kopplat till detta kan ni också läsa artikeln A Head-Mounted Display to Support Teleoperations of Shared Automated Vehicles.
Självoptimerande truckar. Forskargruppen AASS vid Örebro universitet koordinerar ett projekt inom EU H2020 som kallas för ILIAD (“Intra-Logistics with Integrated Automatic Deployment — safe and scalable fleets in shared spaces”). Projektet startade i år och kommer att pågå till 2020. Projektet kommer att flytta fram forskningsläget inom självoptimerande autonoma fordon som också samarbetar med människor, med särskilt fokus på intelligenta lyfttruckar i lagermiljö. Truckarna kommer att lära sig genom att observera människor och andra truckar, och på det viset bli både säkrare och effektivare, t ex genom att planera så att de inte kör mot strömmen, givet rörelsemönster som de har observerat tidigare. Truckflottan har också effektiv koordinering med formella garantier på att t ex inte hamna i deadlock-lägen. Dessutom ingår forskning på nya robotarmar och gripdon för flexibel objekthantering, inklusive möjligheten att detektera och skära upp inplastat gods. Utöver detta kommer ILIAD att lägga grunden för framtida säkerhetscertifiering för självkörande fordon genom att systematiskt studera mänsklig biomekanik och skador och koppla det till säker planering och kontroll. Bland resultaten från första året kan nämnas en första demonstration av de olika komponenterna i simulering, samt en publik release av mjukvarukomponenterna som ingår i projektet. För mer information kontakta Achim J. Lilienthal (achim.j.lilienthal@gmail.com) eller Martin Magnusson (martin.magnusson@oru.se).
Bristande stimulans vid delvis automatiserad körning. Forskning om delvis automatiserad körning har visat relevanta problem med körprestanda, särskilt när förarintervention behövs vid exempelvis övertagande av kontroll när automatiseringen misslyckas. Mental underbelastning föreslås vanligen som en förklarande faktor vid långvariga automatiserade körningar. Prestandaproblem har dock också rapporterats efter bara några minuter med automatiserad körning, förmodligen på grund av en underbelastningseffekt (dvs. eftersom föraren har lite att göra). Trots detta är underbelastning ganska odefinierad och outforskad. En körsimulatorstudie har därför genomförts vid VTI där deltagarna fått köra delvis automatiserat samt manuellt vid olika hastigheter. Kognitiv underbelastning analyserades genom att använda händelsespotential (event-related potentials, ERP), en specifik neurofysiologisk mätning av uppmärksamheten. Även mental belastning som funktion av tiden spenderad på köruppgiften analyserades med hjälp av denna mätning. Resultaten visade att även korta exponeringar för delvis automatiserad körning ledde till reducerad subjektiv mental belastning och uppmärksamhet. Det noterades också att ERP minskade successivt med tiden spenderad på uppgiften, vilket förmodligen återspeglade en mental underbelastning på förarens uppmärksamhet. Slutsatsen av detta är att om en förare exponeras för bara låga stimulansförhållanden som delvis automatiserad körning, kan detta påverka förarens uppmärksamhet via två mekanismer: en underbelastningseffekt som påverkas av de låga kraven på föraren och en mental underbelastnings som påverkas av tiden som föraren spenderar på uppgiften. Studien har utförts av Ignacio Solís-Marcos (ignacio.solis@vti.se) , Alejandro Galvao-Carmona och Katja Kircher och finns publicerad under titeln Reduced Attention Allocation during Short Periods of Partially Automated Driving: An Event-Related Potentials Study.
Internet of Sea. Chalmers är involverad i projektet EfficienSea2 där Maritime Connectivity Platform (MCP, tidigare kallat Maritime Cloud) utgör kärnan. Detta är ett kommunikationsramverk som möjliggör effektivare, säkert, tillförlitligt och sömlöst elektroniskt informationsutbyte mellan anslutna aktörer. Den har tre huvudkomponenter: identitetsregistret som kan autentisera och verifiera identitetsinformation, serviceregister som möjliggör sökande efter tillgängliga tjänster och exponering av gränssnitt samt en meddelandetjänst som på ett intelligent sätt utbyter information mellan kommunikationssystem, anpassat för den maritima miljön. Det mest intressanta med MCP är att den inte syftar till att bygga en fristående teknisk produkt som vi är vana vid – den bidrar till en grundläggande infrastruktursutvecklingen inom sjöfartsområdet, i den digitala eran när automatisering och datorisering blir alltmer närvarande. En bra metafor för MCP är en ”App Store” med Service Oriented Architecture. Detta skapar grunden för ”internet of the sea”. I en komplex miljö där heterogena tjänster blir alltmer vanliga i sjöfarten är det kanske viktigast att inte utforma en ny ”app” men överväga värdet av en ”App Store” eller hela systemets ekologi, där hanteringen av ”Apps”, interoperabilitet, cybersäkerhet, underhåll och utvidgning är avgörande för användarna. Standardisering kan både begränsa och möjliggöra innovation. I huvudsak handlar det om hur vi hanterar innovation i framtiden. För mer information om forskningen inom området kontakta Yemao Man (yemao.man@chalmers.se).
Trafikflöden och Drive Me. Trafikverket publicerade i somras en studie med titeln Trafikflöden och Autonoma fordon, Drive Me försökssträcka. Den handlar om hur trafikflöden och vägnätets kapacitet kommer att påverkas vid introduktion av automatiserade fordon. Detta exemplifieras med DriveMe-slingan. Resultaten summeras på följande sätt:
- Autonoma fordons effekter på kapacitet, restider, punktlighet och robusthet är beroende på utformningen av AD-fordonen, dvs de funktioner och algoritmer som styr hur de kommer att bete sig i olika trafiksituationer.
- Effekterna på̊ kapaciteten beror också på andelen AD-fordon. Större andel AD-fordon ger större möjligheter att påverka kapaciteten positivt genom t.ex. mer synkroniserat beteende.
- Förbättrad kapacitet på enskilda väglänkar på grund av kortare tidsintervall mellan fordon ökar inte det totala motorvägsnätets kapacitet, men det kan förbättra kapaciteten i ett vägnät med trafiksignaler.
- Förbättrad kapacitet i motorvägsnätet kräver kommunikation mellan AD fordon och/eller avancerade trafikledningscentraler med komplicerade beslutsalgoritmer för optimering av flöden och effektiva körfältsbyten. Avancerade trafikledningscentraler ligger långt fram i tiden.
- Ökade säkerhetsfunktioner i AD-fordonen, såsom adaptiv farthållare, nödbroms och körfältshållningsfunktioner ger åtminstone vid högre andel AD-fordon positiva effekter på̊ robustheten och därmed kapaciteten pga. minskat antal incidenter. Andra säkerhetsfunktioner som ger en mer försiktig och långsam körning kommer huvudsakligen att minska kapaciteten och öka restiderna.
Godstransporter. AutoFreight startade den 1 april 2017 och projektet syftar till att bedriva forskning samt utveckla och demonstrera lösningar för effektiva och säkra automatiserade godstransporter. Automatisering av långa fordonskombinationer (dragbil med två trailers, så kallad A-dubbel) kommer att studeras ingående, både genom körning på allmän väg och genom avancerade tester på provbanan AstaZero. Datainsamling från dagliga transporter av containers mellan Göteborgs Hamn och Borås Viared är en viktig del i projektet för att få en bra förståelse för hur långa fordonskombinationer kan automatiseras. En del av utmaningen består i att utforma sensorsystemet så att man täcker hela fordonets längd. En annan utmaning är att planera körningen, så att exempelvis filbyten kan genomföras säkert även i tät trafik. Målet är att uppnå automatisering på nivå 4 (testas på provbana). Projektet får finansiering av FFI och involverar ett flertal organisationer som Volvo AB, Borås Stad, Combitech, Kerry Logistics, GDL, Ellos, Trafikverket, samt Chalmers tekniska högskola. Projektet pågår till april 2020. För mer information om det hela kontakta Fredrik Von Corswant (fredrik.von.corswant@chalmers.se) eller Wermström Emma (emma.wermstrom.2@consultant.volvo.com).
Effekter på de transportpolitiska målen. Trafikanalys har genomfört en studie om självkörande fordon och effekter på de transportpolitiska målen. Resultaten består huvudsakligen av kvalificerade bedömningar från ett antal externa experter. Dessa har kompletterats av Trafikanalys med litteraturstudier och egna bedömningar samt slutsatser. En generell slutsats från studien är att införandet av självkörande fordon kan leda till både positiva och negativa effekter på de transportpolitiska målen. Vilka effekter som slutligen uppstår, och hur stora de blir, kan dock i många fall påverkas av styrning från samhällets sida. Mer om det hela kan ni läsa i rapporten Självkörande fordon och transportpolitiska mål.
Tillit till smarta bilar. I det gemensamma forskningsprojektet ”Trust in Intelligent Cars” (start 2017 Q4) kommer Volvo Cars, RISE Viktoria och Halmstad University att studera användarupplevelsen av oövervakad automatiserad körning på allmänna vägar. Projektet kommer att ge input till design av användarupplevelsen (UX) i framtida fordon. I projektet är RISE Viktoria ansvarig för experimentell testning och Halmstad University har påbörjat ett doktorandprojekt på temat förtroende för artificiell intelligens. Projektet delfinansieras av FFI. För mer information kontakta projektledaren Rydström Annie (annie.rydstrom@volvocars.com) eller Jonas Andersson (jonas.andersson@ri.se).
Utryckningsfordon i samverkan med automatiserade fordon. Volvo Cars, Carmenta, Ericsson, SOS Alarm och RISE Viktoria bedriver ett forskningsprojekt kallat AD Aware Traffic Control – Emergency Vehicles som utforskar hur utryckningsfordon kan samverka med automatiserade fordon. Inom projektet kommer den tidigare framtagna plattformen för informationsutbyte AD Aware Traffic Control att vidareutvecklas och utvärderas för att identifiera viktiga utmaningar, konsekvenser, möjligheter, risker och rekommendationer. Projektet finansieras av DriveSweden och leds av Jesper Gunnarsson (jesper.gunnarson@volvocars.com).
NordicWay Swedish Pilot. NordicWay är ett pilotprojekt som syftar till att möjliggöra för fordon att kommunicera säkerhetsrisker genom mobilnät på en vägkorridor genom Finland, Norge, Sverige och Danmark. Projektet är ett samarbete mellan offentliga och privata partners i de fyra länderna och delfinansieras av EU inom programmet Connecting Europe Facility 2015-2017. Syftet med den svenska piloten i NordicWay var att demonstrera möjligheten att kommunicera mellan fordon, infrastruktur och moln. Av denna anledning upprättades en utbytesnod och funktionaliteten demonstrerades genom att implementera ett användningsfall för vägarbete (Road Works Warning, RWW). Detta innefattade en RWW-enhet på ett vägbyggnadsfordon som skickade en varning till trafikanter. En lastbilmonterad dämpare (Truck Mounted Attenuator, TMA) monterad på vägbyggnadsfordon triggade ett meddelande som sändes över ITS-G5 och kunde då tas emot av andra fordon i närheten. Meddelandet överfördes också till RWW-backend via cellulärnät och vidarebefordrades till Nordic Way-utbytesservern där den kunde distribueras till alla abonnerande tjänsteleverantörer. Tjänsteleverantörer skickar sedan ett varningsmeddelande till användarna i händelseområdet via cellulärnätet. I den svenska pilotprojektet var tio vägarbeten utrustade och skickade meddelanden till 12 Volvo-bilar och 4 Scania-bussar. Piloten visade att båda teknologierna fungerade tillfredsställande. Fördröjningen i kommunikationen varierade mellan 1,25 och 2,48 sekunder beroende på vilket scenario som studerades. Detta betraktades som ”tillräckligt bra” för de flesta tjänsterna, men det betonas att ITS-G5 och cellulära nätverk har olika styrkor och svagheter och att den bästa lösningen ska väljas beroende på de specifika kraven för den specifika tjänsten. Förutom den tekniska piloten inkluderade den svenska piloten en intervjustudie om affärsmodeller. Partners i den svenska piloten var Trafikverket, Ericsson, Kapsch, Scania och Volvo Cars Company. En film från demonstranten i Svinesund finns här. Kontakta Magnus Hjälmdahl (magnus.hjalmdahl@sweco.se) för mer information.
COPPLAR – CampusShuttle cooperative perception and planning platform. Chalmers, Volvo Cars, Autoliv, Zenuity, ÅF och AstaZero bedriver ett gemensamt forskningsprojekt kallat COPPLAR. Syftet är att ta ett första steg i visionen om ett kooperativt självkörande fordon som kan hantera utmanande stadstrafik och förändrande väderförhållanden. Fokus ligger på att använda samverkan mellan fordon för att på ett säkert sätt navigera i komplexa urbana scenarier. I projektet utvecklas prototypfordon (forskningsplattformar) i Chalmers ReVeRe-lab som kan hantera de mest prioriterade scenarierna och demonstrera kooperativ självkörning i kontrollerad miljö på testbanan AstaZero. Projektkoordinator och kontaktperson är Lars Hammarstrand (lars.hammarstrand@chalmers.se). Exempel på forskningsresultat från några genomförda och pågående studier inkluderar:
- Long-term visual localization using semantically segmented images, by Erik Stenborg (Zenuity, Chalmers), Carl Toft (Chalmers) and Lars Hammarstrand (Chalmers). DenThe visual information captured by a camera, if interpreted correctly, can be used to, e.g., find the current pose of an autonomous vehicle in a predefined map containing the position and a description of visual features (landmarks). Traditional feature descriptors, e.g., SIFT, SURF, BRIEF, have been carefully hand-designed to be robust towards uniform intensity changes and some geometric changes, but most were not designed to be invariant against large changes in lighting (day/night) or the fact that a tree looks completely different in summer compared to in winter. This poses a problem for the localization algorithm when trying to localize in a map that was constructed under different conditions. In this work, we explore an alternative approach where we exploit advances in semantic segmentation of images, i.e., where each pixel is assigned a label related to the type of object it represents. We show that semantically labelled 3D point maps of the environment, together with semantically segmented images can be efficiently used for vehicle localization without the need for detailed feature descriptors (SIFT, SURF, etc.). Thus, instead of depending on hand-crafted feature descriptors, we rely on the training of an image segmenter. The resulting map takes up much less storage space, since the large feature descriptor vectors are replaced with a much shorter vector representing the class probabilities. A particle filter based semantic localization solution is compared to that of a SIFT-feature based, and even with large seasonal variations over the year we perform on par with the larger and more descriptive SIFT-features, and are able to localize with an error below 1 m most of the time.
- Fast LIDAR-based Road Detection Using Fully Convolutional Neural Networks, by Luca Caltagirone (Chalmers), Samuel Scheidegger (Chalmers, Zenuity), Lennart Svensson (Chalmers), Mattias Wahde (Chalemrs). The estimation of free road surface (henceforth: road detection) is a crucial component for enabling fully autonomous driving. Besides obstacle avoidance, road detection can also facilitate path planning and decision making, especially in those situations where lane markings are not visible (for example, because covered by snow or due to poor lightning conditions) or not present (for instance, in certain rural and urban roads). In this work, a deep learning approach has been developed to carry out road detection using only LIDAR data. Starting from an unstructured point cloud, top-view images encoding several basic statistics such as mean elevation and density are generated. By considering a top-view representation, road detection is reduced to a single-scale problem that can be addressed with a simple and fast fully convolutional neural network (FCN). The FCN is specifically designed for the task of pixel-wise semantic segmentation by combining a large receptive field with high-resolution feature maps. The proposed system achieved excellent performance and it is among the top-performing algorithms on the KITTI road benchmark. Its fast inference makes it particularly suitable for real-time applications. Link to the paper.
- Conjugate Priors for Multiple Object Tracking, by Karl Granström, Lennart Svensson (Chalmers); Stephan Reuter (Ulm University, Germany); Maryam Fatemi (Zenuity); Samuel Scheidegger (Zenuity, Chalmers); Emil Rosenberg, Joachim Benjaminsson, Pontus Kielen, Marcus Olsson (Chalmers Master’s Students). An important part of an autonomous vehicle is the environment perception, which allows the vehicle to understand its surrounding environment, and to sense all the nearby objects, e.g., pedestrians, other vehicles, and cyclists. It is important to accurately estimate both the number of objects, and each object’s state (position, velocity, size, etc.) — we do not want to collide with an object we have located poorly, or have entirely missed, and we do not want to brake for an object that is not actually there. To solve this problem is called Multiple Object Tracking (MOT). In this work, we have developed a Bayesian conjugate prior density for the MOT problem [1]. The conjugate prior allows us to represent the true multi-object density arbitrarily well, given sufficient computational resources. In practice, this has led to the development of MOT algorithms that have both great tracking performance and low cost. The conjugate prior has been applied successfully to pedestrian tracking using lidars[2], and vehicle tracking using cameras [3]. Furthermore, the work has also been extended to mapping of stationary objects, and been applied to lidar data [4].
- Cooperative localization of vehicles without inter-vehicle measurements,
by Markus Fröhle (Chalmers), Christopher Lindberg (Zenuity), Karl Granström (Chalmers), Henk Wymeersch (Chalmers). Accurate localization of vehicles is important for intelligent transportation systems, e.g., for automated driving or assisted parking. Automated vehicles will be equipped with high-end sensors and vehicle-to-vehicle (V2V) communication (e.g., ITS-G5 or DSRC, based IEEE802.11p). Legacy vehicles will likely be equipped with V2V communication, but not with high-end sensors. We propose to leverage V2V communication to improve the localization accuracy of such legacy vehicles. In contrast to existing work, relying on unreliable inter-vehicle signal strength measurements, we have developed a cooperative localization method whereby vehicles track mobile features (e.g., pedestrians) in the environment and use associations of features among vehicles to improve the vehicles’ localization accuracy. This requires each vehicle to be equipped with a GNSS receiver, an accurate local sensor (e.g., radar, LIDAR, or stereo vision camera), and V2V communication. The resulting polynomial complexity algorithms can run on either a road-side unit for improved situational awareness or decentralized in a vehicular network. We show that localization performance improves significantly for legacy vehicles, provided the local sensors are accurate and enough common features can be identified.