Etikettarkiv: Högskolan i Halmstad

Svensk forskning när den är som bäst

I fotbollsvärlden pratas det den här veckan mycket om ”the Swedish way” – uthållighet, fokus, målmedvetenhet, teamarbete. Här i nyhetsbrevet tänkte vi fortsätta i samma anda och lyfta fram några svenska forskningsprojekt och resultat som oftast uppkommit tack vare just dessa egenskaper hos våra forskare. Stort tack till er alla som tipsat oss om relevant forskning och skickat in era sammanfattningar!

ESPLANADE (esplanade-project.se) är ett FFI-projekt som löper från januari 2017 till december 2019. Målet är förbättrad metodik för att visa att automatiserade fordon är säkra. Projektet fokuserar på fordon med ADS-funktioner (Automated Driving System) på nivå 4 enligt SAE-skalan (ett fordon som kan köra helt utan förarinteraktion under begränsade förutsättningar). Vi vet att sådana funktioner har ett antal karakteristiska skillnader mot traditionella fordonsfunktioner där säkerhetsbevisning sker enligt standarden ISO 26262. En ADS-funktion har full kontroll över fordonet, och en viktig del av säkerheten ligger därför i att systemet kör på ett säkert sätt, dvs tar taktiska beslut som inte försätter fordonet i farliga situationer. Därför behöver vi metoder för att säkerställa att systemet tar taktiskt säkra beslut. Andra problem som projektet arbetar med rör hur man visar att sensorernas prestanda är tillräckliga för uppgiften i varje givet ögonblick, vilka arkitekturmönster som är användbara för en ADS, hur man hanterar säkerhetsbevisning för system med icke-deterministiska algoritmer (AI, machine learning), hur man gör hazardanalys för en ADS med en mycket komplex situationsanalys, säkerhetsbevisning för förarinteraktion, och hur man visar fullständigheten i kravnedbrytning för komplexa system. Projektet koordineras av RISE och övriga deltagare är Aptiv, Comentor, KTH, Qamcom, Semcon, Systemite, Veoneer, Volvo Cars, Volvo AB och Zenuity.

Rullande busskur. Detta är ett FFI-projekt som löper från maj 2018 till oktober 2018 och som syftar till att förstå möjligheter och begränsningar ur ett tekniskt perspektiv när det gäller självkörande småbussar på landsbygden, förstå möjligheter och begränsningarna ur ett beteendeperspektiv, dvs. acceptansen av den tekniska innovationen hos resenärer och allmänheten, hitta lämpliga geografiska områden inom Skellefteå kommun där upplägget skulle kunna testas, samt få en bild av kostnaderna och nyttorna. Målet med studien är att skapa förutsättningar för en framtida ansökan för ett demonstrationsprojekt.

HARMONISE är ett FFI finansierat projekt  med målet att undersöka olika sätt att harmonisera, förenkla, hantera och förbättra hur förare interagerar med tekniska system som automatiserar delar av eller hela den dynamiska körningen i fordonet. Projektet är ett samarbete mellan Volvo AB, Volvo Cars och RISE Viktoria. Projektet kommer att utveckla och testa olika koncept, som stödjer interaktionen mellan förare och fordon på ett multimodalt sätt och utveckla designriktlinjer. Projektet utforskar problematiken när en förare tror att hon/han har mer support (nivå 4) än vad som för tillfället erbjuds.  Nya rön från distribuerad kognition och kroppslig kognition (embodied cognition) utforskas som teoretisk grund. Mer information om projektet hittas här och kontaktperson är Emma Johansson (emma.johansson@volvo.com).

Människor och interaktiva autonoma system. Sam Thellmans forskarstudier i kognitionsvetenskap vid Linköpings universitet (huvudhandledare: Tom Ziemke) undersöker hur människor förstår interaktiva autonoma system, som sociala robotar och självkörande fordon. Avhandlingens syfte är att belysa hur, när och varför människor tillskriver autonoma system intentionella tillstånd, som mål (t.ex. “bilen vill till punkt X“) och övertygelser (t.ex. “bilen har sett fotgängaren”), och hur detta påverkar människors förmåga att interagera med autonoma system. I forskningsarbetets första etapp undersöktes människors tolkningar av beteende hos människolika robotar (Thellman, Silvervarg, & Ziemke, 2017) och självkörande bilar (Petrovych, Thellman, & Ziemke, in press), det senare i samarbete med VTI/Linköping. Relevanta publikationer:

  • Petrovych, V., Thellman, S., & Ziemke, T. (in press). Human Interpretation of Goal-Directed Autonomous Car Behavior. In CogSci 2018: Changing Minds. 40th Annual Meeting of the Cognitive Science Society, Madison, VA. Cognitive Science Society.
  • Thellman, S., Silvervarg, A., & Ziemke, T. (2017). Folk-psychological interpretation of human vs. humanoid robot behavior: exploring the intentional stance toward robots. Frontiers in psychology, 8, 1962.

Optimala manövrar. Victor Fors har i sin licavhandling vid Linköpings universitet tittat på vad som händer när bilen gör en manöver nära gränsen för vad den faktiskt klarar av för att undvika att krascha. Målet på kort sikt är att få en uppfattning om hur optimala manövrar ser ut, och på längre sikt att bygga in insikterna från avhandlingen i ett säkerhetssystem för förarlösa fordon. Avhandlingen går under titel Optimal Braking Patterns and Forces in Autonomous Safety-Critical Maneuvers och ingår i det stora WASP-programmet, Wallenberg Autonomous Systems and Software Program, finansierat av Knut och Alice Wallenbergs stiftelse.  Vid frågor kontakta Victor Fors (victor.fors@liu.se).

NPAD (Network-RTK Positioning for Automated Driving) är ett projekt finansierat av Vinnova FFI som skall utforma ett system för stora volymer automatiserade fordon eller andra mobila plattformar med behov av noggrann positionering. Projektet staratade i maj och kommer pågå till april 2020. Det kommer att genomföras i flera steg där en demonstrator kommer att utformas baserat på krav från både automatiserad körning och andra mobila plattformar. Projektet skall bland annat: a) definiera kraven för positionering för automatiserad körning, b) analysera kraven på ett distributionssystem för korrektionsdata, c) utforma ett referenssystem på AstaZero för utvärdering av mätosäkerhet hos positioneringssystem och d) utföra test och validering av systemet baserat på en automatiserad fordonsapplikation från Einride. Projektpartners är: RISE, AstaZero, Ericsson, Lantmäteriet, AB Volvo, Scania, Einride, Waysure och Caliterra. Kontaktperson är Stefan Nord (stefan.nord@ri.se).

Drivers quickly trust autonomous cars. Successful introduction of autonomous cars requires autonomous technology that users experienced as trustful and useful. The aim of this study conducted by Volvo Cars within the FFI-project Human Expectations and Experiences of Autonomous Driving (HEAD) was to explore if drivers trust a fully autonomous car and if they experience that in-vehicle tasks can be conveniently carried out when in full autonomous mode. The test was conducted on a test track and an autonomous research car was used. The car was capable of handling the test track driving environment with full autonomy. When in full autonomous mode the participants got to engage in individually selected tasks, such as use media display, read, eat, drink and carry out work tasks with their own portable device. The results show that participant trust the autonomous car and they find it convenient to conduct in-vehicle tasks while in full autonomous mode. The study will be presented at the AHFE-conference this summer:

  • Broström, R., Rydström, A., Kopp, C., (in press) Drivers quickly trust autonomous cars. In the 9th International Conference on Applied Human Factors and Ergonomics, July 2018, Orlando, Florida, USA.

Customer perspectives. Intermetra Business & Market Research Group AB conduct studies mainly for the public sector in Sweden, with a focus on passenger transport. Among our most recent studies is a cross industry study on the customer perspective on Mobility as a Service in collaboration with RISE. We are now in the process of finalizing the result on a study on customer perspective on autonomous vehicles. The study has been conducted by a web survey to a representative sample of the Swedish population, with 500+ completed surveys. The study covers questions such as the Swedes knowledge and attitudes towards autonomous vehicles, as well as alternative sources of fuel. The results are expected to be available by the end of July. For more info, contact Markus Lagerqvist (markus@intermetra.se).

CoEXist is a European project (May 2017 – April 2020) which aims at preparing the transition phase during which automated and conventional vehicles will co-exist on cities’ roads. CoEXist aims at enabling mobility stakeholders to get “AV-ready” (Automated Vehicles-ready). To achieve its objective, CoEXist develops a specific framework and both microscopic and macroscopic traffic models that take the introduction of automated vehicles into account. The tools developed in the framework of CoEXist are tested by road authorities in the four project cities: Helmond (NL), Milton Keynes (UK), Gothenburg (SE) and Stuttgart (DE) in order to assess the “AV-readiness” of their local-designed use cases. Swedish partners in the CoEXist project is VTI and the City of Gothenburg. Homepage: https://www.h2020-coexist.eu/. Contact Johan Olstam (johan.olstam@vti.se) for more information.

SMART. The aim of the SMART project is to enhance and further develop todays state-of-the-art traffic models in order to enable analysis of future traffic systems. The project consists of two PhD projects, one focusing on microscopic traffic simulation and the behaviour of and interaction between conventional and automated vehicles, and one focusing on mesoscopic simulation and fleets of automated vehicles. The project is carried out by VTI, KTH and LiU and is funded by Trafikverket via Centre for Traffic Research (CTR). Contact Johan Olstam (johan.olstam@vti.se) or Wilco Burghout (wilco@kth.se) for more information.

Predicting  driver actions.The largest factor in traffic accidents today are human errors. There are many ways, in which problematic behaviors such as inattention can be mitigated. One of the tools used for this purpose is warning systems. There are situations where a warning system based on information from only one given point in time can provide an insufficient time window for the driver to react. A prediction of future events could be used in order to increase the amount of time between the warning and the dangerous event. This study explores possibilities of using recurrent neural networks with long short-term memory for prediction of eight different driver actions inside of a vehicle, such as glancing and reaching inside of the vehicle among others. These predictions, in turn, could potentially be used to improve a warning system and give a driver more time to react to a given situation. The predictions are based on sequences of actions, which are generated from sequences of images with a convolutional neural network. A dataset, consisting of sequences of images, used in the study was gathered at RISE Viktoria AB. The hyperparameters of the recurrent neural network, such as the number of hidden units and amount of layers, was chosen with Bayesian optimization. An addition of a parallel input of optical flow created from the input images was found to improve the performance of the convolutional neural network. The complete network achieved an average prediction accuracy of 87% for the next frame predictions and 67% after 20 frames. A comparison where the predictions were set to the last element in the input achieved an accuracy of 80% for one frame ahead and 50% after 20 frames. The study is part of Martin Torstensson’s masters’ thesis that was conducted as a part of the research projects DRAMA– Driver and passenger activity mapping (funded by FFI) and AIR– Action Intention Recognition (funded by KK-stiftelsen):

  • Torstensson, M., (in press) Prediction of Driver Actions With Long Short-Term Memory Recurrent Neural Networks. Master Thesis. Chalmers University of Technology, 2018.

Predicting pedestrian behavior. Behavior of pedestrians who are moving or standing still sufficiently close to the street could be one of the most significant indicators about pedestrian’s instant future actions. Being able to recognize the activity of a pedestrian, can reveal significant information about pedestrian’s crossing intentions. Thus, the scope of this study is to investigate ways and methods in order to understand pedestrian´s activity and in particular their motion and head orientation to the traffic. Furthermore, different featuresand methods were examined, used and assessed according to their contribution on distinguishing between different actions. Those were Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Bag of Words and CNNs. All the aforementioned features (HOG, LBP…etc) were extracted by processing still images of pedestrians. In this project, still images extracted from video frames depicting pedestrians walking next to the road or crossing the road are used. The study focuses in three parts, one is to derive the pedestrians action regarding if they are walking or not. The second is to identify the pedestrian´s head orientation in terms of if he/she is looking at the vehicle or not. The final task is to combine these two measures in a classifier that is trained to predict the pedestrian´s crossing intention and action. In addition to the pedestrian’s behavior for estimating the crossing intention, additional features about the local environment were added as input signals for the classifier, for instance, information about the presence of zebra markings in the street, the location of the scene, the weather conditions etc.  Moreover, several Machine Learning techniques were used after extracting the features (HOG, LBP etc…)   both for understanding the behavior of the pedestrian and for predicting the final action. Those were Support Vector Machines, k-nearest neighbor, Decision Trees. The data used in this thesis come from the Joint Attention for Autonomous Driving (JAAD) dataset. This study is done as a part of Dimitris Varytimidis (dimvar16@student.hh.se) masters’ thesis within the research project AIR– Action Intention Recognition (funded by KK-stiftelsen):

  • Varytimidis, D., (in press). Detection and intention prediction of pedestrians in zebra crossing. Master thesis. Halmstad University, 2018.

PRoPART (www.propart-project.eu) is a H2020 project (December 2017-November 2019), funded by the European Global Navigation SatelliteSystem Agency (GSA), focusing on positioning of automated vehicles and advanced driver assistance systems. The main purpose of the project is to develop and enhance an RTK (Real Time Kinematic) software solution by both exploiting the distinguished features of Galileo signals as well as combining it with other positioning and sensor technologies. RTK gives the possibility of cm-level accuracy using correction data from reference stations. The PRoPART partners are RISE, AstaZero, Scania, Waysure, Fraunhofer IIS, Ceit-IK4, Baselabs and Commsignia. Contact person is Stefan Nord (stefan.nord@ri.se).

Multiantennsystem för förbättrad positionering inomhus och för autonoma fordon

I veckan som gått försvarade Dr. Marco Marinho vid Högskolan i Halmstad sin avhandling som handlar om hur multiantennsystem kan används för noggrann positionering, både i inomhusmiljö och utomhus för autonoma fordon.

Multiantennsystem används redan i bl.a. wifi-routrar och mobilmaster för att förbättra kommunikationen. Den nya tekniken som presenterades i avhandlingen har fokuserat på att öka noggrannheten i positionering. Resultaten visar att noggrannheten i positioneringen bli så hög som 1 cm.

Forskningen har framförallt handlat om energieffektivisering inom systemet samt interaktion mellan mobila enheter och stationära sensornätverk. Tekniken har även studerats praktiskt för att möjliggöra kommunikation mellan fordon i lastbilskonvojer.

Egen kommentar:

Att förbättra positionering med hjälp av trådlös kommunikation är ett bra komplement till traditionella SLAM-algoritmer. Med så bra noggrannhet som rapporteras i avhandlingen så kommer det möjliggöra många nya applikationer, allt från navigering för autonoma fordon och flygfarkoster till inomhusnavigering för räddningsinsatser vid bränder.

Källor:

[1] Louise Wandel: Multi antenna systems improve indoor positioning and autonomous vehicles, Högskolan i Halmstad 2018-03-05 Länk

Bästa magisteruppsatsen 2017 utsedd av SAIS

SAIS (Swedish Artificial Intelligence Society) tillkännagav i veckan att Thomas Rosenstatter på Högskolan i Halmstad är vinnaren av SAIS Best AI Master’s Award 2017 [1].

Uppsatsen som belönats med utmärkelsen handlar om ett system som kan skapa bättre situationsmedvetenhet för automatiserade fordon. Systemet introducerar ett tillit-koncept som med hjälp av både egna och omgivande fordons sensorer bygger modeller över hur pålitligt det egna fordonet är, omgivande fordon samt infrastrukturen.

Systemet kan t.ex. användas för bättre sensorfusion. Systemet vet i förväg att vissa platser har opålitlig GPS-signal eller att kommunikationen är skymd bakom en viss lastbil, eller att ett fordon har ett riskfyllt beteende och därför ökar systemet säkerhetsavståndet till detta fordon.

Systemet utvecklades inom ramen för Grand Cooperative Driving Challenge (GCDC) 2016 där laget från Högskolan i Halmstad tog hem segern i maj 2016. Länk till tidigare nyhetsbrev om GCDC.

Källor

[1] SAIS Best AI Master’s Thesis Award 2017, Swedish AI Society 2017-04-25 Länk

GCDC 2016: Tävlingen avgjord

28-29 maj var det dags för Grand Cooperative Driving Challenge (GCDC) 2016. Det var fem år sedan första GCDC anordnades av TNO i Holland på testmotorvägen A270 mellan Eindhoven och Helmond i Holland.

Tio lag från Lettland, Spanien, Frankrike, Tyskland, Holland och Sverige deltog i tävlingen som handlade om tre scenarion för kooperativ och automatiserad körning.

I tävlingen använde fordon exempel på nästa generations kommunikationsprotokoll för kooperativ körning som bl.a. möjliggör förhandling mellan fordon. Fordonen utförde till exempel automatiskt filbyte på motorväg som föregicks av förhandling för att fordonen skulle bestämma vilket fordon som skulle öppna en lucka för vilket. Det andra scenariot gick ut på att köra igenom en T-korsning utan trafikljus, fordonen förhandlade om vilket fordon som skulle passera som första, andra och tredje fordon genom korsningen.

Det tredje scenariot handlade om att utryckningsfordon, med hjälp av kommunikation och HMI i andra uppkopplade fordon skulle kunna begära i vilken fil de vill ha fri väg när de är under utryckning.

Vinnare i tävlingen var studenter från Högskolan i Halmstad som tävlade med en Volvo S60, på andra plats kom Team AnnieWay från KIT Karlsruhe som tävlade med en personbil från Mercedes och på tredje plats placerade sig KTH som tävlade med en lastbil från Scania.

GCDC 2016 arrangerades inom FP7-projektet i-GAME där TNO, TU/e (Techniche Universitet Eindhoven) från Holland, Idiada från Spanien och Viktoria Swedish ICT.

Här finns senaste nyheterna från GCDC2016 länk: https://twitter.com/hashtag/gcdc2016

Egen kommentar

De svenska lagen som deltog i GCDC 2016 arbetade tillsammans med stöd från SAFER inom projektet CoAct, en fortsättning på det projekt som ledde Högskolan i Halmstad, Chalmers och KTH till placering 2,3 och 4 i GCDC 2011.

Dags för final i i-GAME

Nästa helg, den 28-29 maj, är det final i studenttävlingen GCDC 2016 i holländska Helmond. GCDC – Grand Cooperative Driving Challenge – är en del i EU-projektet i-GAME.

GCDC 2016 är en innovationstävling som äger rum på motorvägen A270 mellan Helmond och Eindhoven. 10 europeiska lag tävlar mot varandra, bland andra Chalmers, KTH och Högskolan i Halmstad.
Det handlar om kooperativa system där fordon från olika tillverkare och med olika tekniska lösningar ska samverka för att lösa komplexa trafiksituationer.

I tävlingen ska bilarna köra själva och kommunicera med varandra och med infrastrukturen för att förbättra trafiksystemet, inte bara för den enskilda bilen. Det övergripande målet är att förbättra såväl trafiksäkerhet, trafikflöde som bränsleförbrukning och utsläpp.

Se filmen inför finalen från säkerhetstesterna i Spanien.

Sammanfattning av IV2015

Det stora fokuset för konferensen var autonoma fordon och teknologier för bl.a. navigering och att känna igen hinder, vägskyltar och trafikljus. Även teknologier för att känna igen beteende och rörelser hos andra fordon och oskyddade trafikanter presenterades.

Chris Gerdes från Stanford University, som vi omnämnde i nyhetsbrev 110, gav en presentation om sin forskning på Stanford där de bl.a. adresserar frågan: ”Ska ett automatiserat fordon köra som en människa eller som en robot?”. För att svara på frågan lät de en tävlingsförare tävla mot sitt autonoma fordon ”Shelly”. Tävlingsföraren fick köra ”Shelly” på en tävlingsbana och därefter fick ”Shelly” köra själv. Resultatmässigt blev det väldigt jämt och mellantiderna visade att de båda förarna körde om varandra flera gånger under banan. Men de båda förarna hade olika strategier i sin körstil. ”Shelly” var mer riskbenägen och hade bättre bromsteknik och därmed högre hastighet i kurvorna. De hade också olika strategier i att välja spår, ibland valde ett ”Shelly” snabbare spår, ibland den mänskliga föraren. Men den mänskliga föraren var bättre på att anpassa sig till banans utformning och kunde ta genvägar utanför banan eftersom ”Shelly” var programmerad att hålla sig på banan.

Slutsatsen från seminariet är att det finns mängder av dilemman som måste hanteras av den automatiserade bilen, exempelvis hur regler ska följas eller om regler måste göras om för att kunna följas av automatiserade fordon. En annan viktig egenskap som måste uppfyllas för automatiserade fordon för att de ska uppfattas som pålitliga, är att de måste kunna kommunicera med sin omgivning om vad de gör och varför.

Ryan Eustice, från University of Michigan i Ann Arbour, gav en överblick över deras forskning kring automatiserade fordon. I samarbete med bl.a. Ford har de utvecklat helt självkörande bilar med olika teknologier t.ex. 3D lasersensorer från Velodyne och stereokamerateknik. De framhåller och visar att sensor fusion mellan GPS, radar, lidar och (stereo-) kamera är att föredra för att uppnå bra kännedom om omgivningen[1].

Ryan Eustice presenterade också en ny testbana för uppkopplade och automatiserade fordon som kommer invigas 20 juli vid University of Michigan i Ann Arbour, MCity [2]. Testbanan har kulissbyggnader för att kunna utföra tester i stadsmiljö, den har flera olika typer av vägar med olika friktion och kurvor med olika radie, rondeller och tunnlar. Det finns också trafikljus, gatljus, övergångsställen, filmarkeringar, cykelvägar, trottoarer. Allt som behövs för att utveckla och testa uppkopplade och automatiserade fordon.

Hyundai visar självkörande fordon

Om Toyota var tongivande den första dagen på konferensen så tog Hyundai över den rollen under resten av konferensen, med flera föredrag kring autonoma fordon och sensorsystem för positionering och navigering [3,4]. De demonstrerade också fem automatiserade fordon med integrerade funktioner såsom lane-keeping, car-following, V2X kommunikation och kooperativ nödbroms.

Hyundai är också det företag som talat mest om kooperativa system. De presenterade också några områden som behövde mer forskningsfokus:

  • Verifiering av trafiksäkerhet för automatiserade fordon
  • Interaktion mellan fordon och förare för att uppnå ömsesidig förståelse för intentioner och prestanda
  • Kommunikationssäkerhet och skydd mot cyberattacker

Ett par svenska artiklar

Vi på Viktoria Swedish ICT presenterade två artiklar på konferensen. Ett arbete presenterades i samarbete med Trafikverket och handlade om att koordinera fordon med farligt gods så att de inte ska befinna sig nära varandra på vägar som är extra känsliga för olyckor, t.ex. tunnlar eller broar. Arbetet gick ut på att ge fordon (automatiserade eller manuella) hastighetsrekommendationer så att de anländer till den känsliga vägsträckan med ett förutbestämt säkerhetsavstånd [5].

Den andra artikeln presenterades av Högskolan i Halmstad där även VTI och Viktoria Swedish ICT deltog som författare. Denna artikel handlade om dimensioner inom automatiserad och kooperativa fordon. Det är välkänt att både NHTSA i USA och VDA i Europa har delat in automationen i olika nivåer. Denna artikel handlade om hur även samarbetet mellan fordon kan delas in i olika nivåer [6].

Slutkommentar

Det var en spännande konferens med många bra talare med intressanta presentationer som i de allra flesta fall direkt relaterade till automatiserade fordon.

Nästa år går konferensen 19-22 juni på Lindholmen Science Park i Göteborg. Sista dag för att skicka in bidrag dit är 8 januari 2016.

Källor

[1] Enric Galceran, Ryan M. Eustice, and Edwin Olson, Toward Integrated Motion Planning and Control using Potential Fields and Torque-based Steering Actuation for Autonomous Driving, 2015 IEEE Intelligent Vehicles Symposium (IV) June 28 – July 1, 2015. COEX, Seoul, Korea

[2] MCity, Länk

[3] Dongwook Kim, Taeyoung Chung and Kyongsu Yi, Lane Map Building and Localization for Automated Driving Using 2D Laser Rangefinder, 2015 IEEE Intelligent Vehicles Symposium (IV) June 28 – July 1, 2015. COEX, Seoul, Korea

[4] Yonghwan Jeong, Kyuwon Kim, Beomjun Kim, Jihyun Yoon, Hyokjin Chong, Bongchul Ko and Kyongsu Yi, Vehicle Sensor and Actuator Fault Detection Algorithm for Automated Vehicles , 2015 IEEE Intelligent Vehicles Symposium (IV) June 28 – July 1, 2015. COEX, Seoul, Korea

[5] Lei Chen, Azra Habibovic, Cristofer Englund, Alexey Voronovand Anders Lindgren Walter, Coordinating dangerous goods vehicles: C-ITS applications for safe road tunnels, 2015 IEEE Intelligent Vehicles Symposium (IV) June 28 – July 1, 2015. COEX, Seoul, Korea

[6] Maytheewat Aramrattana, Tony Larsson, Jonas Jansson, and Cristofer Englund, Dimensions of Cooperative Driving, ITS and Automation, 2015 IEEE Intelligent Vehicles Symposium (IV) June 28 – July 1, 2015. COEX, Seoul, Korea