Etikettarkiv: University of California-Berkeley

Kooperativa system, Samverkan människa - maskin, Sensorer

Gott och blandat från forskningen

Säkerhetsutmaningar utan uppkoppling. Förra veckan skrev vi om en studie från IIHS som kommit fram till att automatiserade fordon bara kommer kunna undvika en tredje del av dagens alla olyckor. Lite på samma tema så har nu en annan forskargrupp från University of California – Berkeley med hjälp av teoretiska modeller och empiriska data kommit fram till att det behövs uppkoppling för att kunna undvika en större andel olyckor: Vår säkerhet beror inte bara på våra egna handlingar utan också på hur omgivande trafikanter beter sig och var de befinner sig, och utan uppkoppling (V2V eller V2I) kan dessa faktorer förbli okända i flera trafiksituationer som exempelvis där fotgängare eller andra fordon är dolda eller där någon trafikant kör mot rött. Länk

Mode confusion. Under överskådlig framtid kommer det finnas fordon som möjliggör både manuell och automatiserad körning. Det är också ganska givet att dessa fordon kommer innehålla funktioner med olika automationslägen som fungerar under olika förutsättningar. Då är det viktigt att kommunikationen med föraren är utformad på rätt sätt och att det är tydligt för föraren vilket automationsläge som fordonet befinner sig i. Annars kan föraren bli förvirrad kring vad som gäller, vilket i sig kan medföra säkerhetsrisker och påverka tillit till automationen samt leda till att automationen inte används. En studie från Seeing Machines i Australien har utforskat just detta i en studie som genomförts på allmän väg med 21 förare. Länk

Detektering av tomrum med lidar. En grupp forskare från Carnegie Mellon University har undersökt nyttan med att ta hänsyn till tomrum när det gäller 3D objektdetektering med hjälp av lidarsensorer på självkörande bilar. Att ta tomrum i beräkenskap är en teknik som används vid framställning av digitala kartor. En initial utvärdering av den nya metoden visade att den var bättre på att detektera bilar, fotgängare, lastbilar, bussar och långtradare än den tidigare toppresterande metoden för dataseende med 11%, 5%, 7% respektive 16%. Studien beskrivs i artikeln What You See is What You Get: Exploiting Visibility for 3D Object Detection och presenteras vid konferensen Computer Vision and Pattern Recognition (CVPR) som pågår den 13-19 juni 2020. Länk

Inspiration

Tips på podcast och dylikt

  • Human-Robot Interaction and Reward Engineering. Diskussion mellan Lex Fridman från MIT och Anca Dragan som är professor vid University of California – Berkeley och konsult på Waymo. Länk
  • Robotaxi Economics. Kirsten Korosec från TechCrunch, Alex Roy från Human Driving Association och Argo.ai och Edward Niedermeyer från Autonocast diskuterar ekonomiska aspekter av självkörande taxi med Harvard-forskaren Ashley Nunes som bland annat gjort en studie om ekonomiska aspekter av självkörande taxi i San Francisco. Länk
  • Navigant Research Autonomous Leaderboard. Teamet från ovan (Kirsten, Alex och Edward) diskuterar Navigants senaste rankning av aktörer inom AD-sfären med rapportens författare Sam Abuelsamid. Länk
  • The Future of Traffic Flow. Siemens podcast The Future Car som leds av Eddie Bernardorns gästas av Eric Gannaway from Siemens ITS. De diskuterar potentiella för- och nackdelar med uppkopplade fordon, hur intelligenta trafiksystem kommer att förbättra trafikflödet och hur framtiden för sysselsättningen i bilindustrin kan komma att se ut. Länk
  • Smart Mobility Beyond Autonomous Vehicles. InSecurity Podcasts värd Matt Stephenson och Jeff Davis från BlackBerry diskuterar den ständigt föränderliga världen för uppkopplade och självkörande transporter, och vad som krävs för att bygga en smart stad. Länk
  • Science Behind Self-Driving Cars. Nvidias AI Podcast gästas av Neda Cvijetic som är senior chef för autonoma fordon på Nvidia. Tillsammans med värden Rick Merritt diskuterar hon teknologier för automatiserad körning med fokus på neurala nätverk. Länk

Kommunikation, Kooperativa system, Miljöpåverkan, Simulering

Autonoma fordon som trafikledare

Forskare på UC Berkeley utvecklar ett trafikledningssystem baserat på maskinlärning för att automatiserade, semi-automatiserade och manuellt framförda fordon effektivt ska kunna dela på vägrummet. Flow, som det nya systemet kallas, ska kunna hantera stora trafikmängder mer effektivt än ett traditionellt ledningssystem utan stöd av AI [1] [2].

I Flow kan automatiserade fordon använda data från närliggande fordon och infrastruktur för att skapa ett bättre trafikflöde, och på så sätt kan dessa fordon bli trafikledare. De kan exempelvis undvika flaskhalsar genom att tidigt känna igen mönster som kan skapa problem och automatiskt anpassa hastigheten så att dessa undviks. Vissa forskare hävdar att endast 4-5% av fordonen behöver ha denna funktionalitet för att få en positiv effekt.

Systemet är moln-baserat och open source för att förenkla vidareutveckling från andra forskare och utvecklare.

Egen kommentar

På RISE gjorde vi ett projekt för ett tag sedan där vi simulerade ”cooperative speed harmonization” för att öka flödet på E6 mellan Olskroksmotet och Gullbergsvass i norrgående färdriktning där det ofta bildas köer. Resultaten visar också att redan med 5% av uppkopplade fordon som använder funktionen så ökade flödet genom Tingstadstunneln [3].

Källor

[1] Turning Autonomous Cars into Traffic Managers, Machine Design. Länk

[2] Flow på github. Länk

[3] Englund, Cristofer, Lei Chen, and Alexey Voronov. ”Cooperative speed harmonization for efficient road utilization.” 2014 7th International Workshop on Communication Technologies for Vehicles (Nets4Cars-Fall). IEEE, 2014. Länk

Lastbilar, Samhällspåverkan

Kommer lastbilsförare bli arbetslösa?

En grupp forskare vid UC Berkeley Center for Labor Research and Education har nyligen publicerat en rapport som diskuterar huruvida automatiserade fordon kommer att eliminera föraryrket och göra lastbilsförare arbetslösa [1]. Rapporten återspeglar amerikanska förhållanden.

I rapporten presenteras och diskuteras flera olika scenarier för hur framtiden skulle kunna se ut. En övergripande slutsats är att automatiserade lastbilar skulle kunna ersätta så många som 294 000 långdistansförare, men också samtidigt skapa många nya jobb för korthållstransporter.  Risken är dock att dessa nya jobb kommer att bli mindre avlönade och ge sämre villkor för lastbilsförare.

För att säkerställa att införandet av automatiserade lastbilar inte skapar nya eller förvärrar de problem som redan förekommer i vissa segment av industrin är det viktigt att utveckla rätt policy.

Källor

[1] Viscelli, Steve. Driverless? Autonomous Trucks and the Future of the American Trucker. Center for Labor Research and Education, University of California, Berkeley, and Working Partnerships USA. September 2018. Länk

Inspiration, Kooperativa system, Samhällspåverkan, Samverkan människa - maskin, Sensorer, Simulering, Trafiksäkerhet

Drive Sweden Seminarium med Dr. Steven Shladover

Igår 14 maj arrangerade Drive Sweden ett seminarium med Dr. Steven Shladover, pionjär inom forskning kring automatiserade transportsystem med lång erfarenhet från University of California Berkeley. Temat för föreläsningen var de praktiska utmaningarna kring introduktionen av automatiserade fordon och vikten av uppkoppling för att möjliggöra att automatiserade fordon ska gynna transportsystemet istället för att ha motsatt effekt.

Här är ett kort referat av de olika punkterna som Dr. Shladover berörde.

Historisk översikt

Vi har redan haft automatiserade fordon utan både ratt och pedaler i över 40 år (t.ex. de tåg som kör mellan olika terminaler på större flygplatser). Skillnaden med dessa fordon mot de som nu utvecklas är att de brukas i ett stängt system där de inte behöver interagera med andra fordon eller objekt. Utmaningen nu är att utveckla system som kan hantera ett öppet system som ständigt förändras, och som dessutom inkluderar flera olika typer av objekt (människor, djur, väghinder etc.). Dr. Shladover påpekade också att den hajp som finns kring att automation ligger väldigt nära i tiden inte stämmer överens med vad tekniken faktiskt klarar av i dagsläget.  En anledning till detta är att de som rapporterar inom området (av naturliga skäl) inte är helt insatta i teknologin och övertolkar vad de olika OEM:erna och mjukvaruföretagen predikterar är möjligt inom en snar framtid.

Terminologin 

Ibland kan vissa termer stå i vägen för förståelsen för teknologin. Självkörande (self-driving) är en term som Google uppfunnit som egentligen inte säger så mycket. Robotfordon är ett annat sådant ord som kan vara vilseledande.

För att verkligen kategorisera vad ett automatiserat fordon kan göra är det viktigt att ha en förståelse för:

  1. Vilken förarens roll är.
  2. Vilken systemets roll är.
  3. Graden av uppkoppling i fordonet.
  4. Operativ designdomän (ODD) – de specifika förhållanden ett specifikt automationssystem är utformat för att fungera i, som exempelvis på motorväg eller i ett geografiskt område.

Betydelsen av uppkoppling

Uppkoppling är mycket viktigt för att möjliggöra högre nivåer av automation.  Utan aktiv uppkoppling är det mer sannolikt att automatiserade fordon kommer att försämra det nuvarande transportsystemet. Fordonen behöver kunna förhandla med varandra för att koordinera sin körning utan att utgöra en säkerhetsrisk.

Exempel på prestanda som endast kan uppnås med hjälp av kooperativa system inkluderar kolonnkörning (V2V) och hastighetsharmonisering (V2I).

Dr. Shladover menade också på att 3G/4G är tillräckligt bra för automation, det vill säga 5G är inget krav för att möjliggöra automation.

Utmaningar relaterade till detekteringssystem

Automatiserade fordon måste inte bara kunna detektera objekt, utan de behöver också kunna förutsäga hur objekten kommer att röra sig. Här ligger utmaningen i hur man kravställer tröskeln för känslighet för systemet, så att fordonet inte stannar så fort det detekterar något som uppenbarligen inte skulle orsaka skada. Sensorer behöver inkludera radar, LiDAR, högupplösta kartor, kameror och trådlös kommunikation.

För att garantera en hög nivå av säkerhet behöver systemet detektera allt, men för funktionalitetens skull behöver det endast detektera det som kan utgöra ett hot.

Utmaningar relaterade till säkerhet

För att visa på att automatiserade fordon är säkra är den första utmaningen att kartlägga vilken kombination av scenarion som ska bedömas. Det som också behöver definieras är vilken kombination av testning i sluten testmiljö, testning på offentliga vägar och simulering som är nödvändigt för att visa på att det automatiserade fordonet är säkert. Här behöver man också undersöka hur mycket som behövs av varje testtyp och hur man ska gå tillväga för att validera simuleringarna.

Utmaningar relaterade till hur media rapporterar om autonoma fordon

Dr. Shladover är också väldigt skeptisk till hur olika medier rapporterar om utvecklingen kring automatiserade fordon och bygger upp förväntningar hos allmänheten. Frustrationen ligger i hur media rapporterar att det kommer finnas fullt automatiserade fordon på vägarna inom en snar framtid, vilket skiljer sig avsevärt från det faktum att teknologin fortfarande är väldigt ung och obeprövad.

Samverkan människa - maskin, Trafiksäkerhet

Cyklister är en riktig utmaning

Enligt professor Steven Shladover från University of California-Berkeley som IEEE Spectrum samtalat med är cyklister en av största utmaningar för automatiserade fordon [1]. Cyklistbeteenden är ganska dynamiska och generellt sett svåra att förutsäga, både för mänskliga förare och för datoralgoritmer.

För att visa på problemets omfattning tas Deep3DBox algoritm som utvecklats av Jana Košecká och hennes kollegor vid George Mason University som ett exempel. Den har förmåga att identifiera 89 % av fordon i en standardtest, men klarar av att identifiera endast 74 % av cyklister i ett motsvarande test.

Cyklistdetektering kan förbättras med hjälp av fusion av data från olika sensorer och med hjälp av detaljerade 3D kartor, men det lär dröja tills automatiserade fordon kan eliminera cyklistolyckor. Enligt Brian Wiedenmeier från San Francisco Bicycle Coalition har det redan förekommit fall där automatiserade fordon (från Uber) äventyrat cyklisternas säkerhet genom att inte respektera trafikregler som tagits fram för att skydda cyklister. Hans rekommendation är att noga testa nya teknologier innan de används i trafiken.

Källor

[1] Fairley, P., IEEE Spectrum. Self-Driving Cars Have a Bicycle Problem. 2017-02-24 Länk

Infrastruktur, Samhällspåverkan

Parkeringars framtid

Idag står en bil parkerad i genomsnitt 95 % av tiden [1]. Med anledning av detta har många parkeringsplatser byggts upp. Enligt en studie från University of California-Berkeley finns det över en miljard parkeringsplatser i USA, fyra gånger fler än antalet fordon i landet. Detta kostar väldigt mycket, speciellt om man tar hänsyn till 30-60 % av fordon som kör i centrala delar av städer cirkulerar runt i jakt på lediga parkeringsplatser.

Hittills har stadsplanerarna kunnat göra bara marginell reducering i antalet parkeringsplatser. Men med självkörande fordon har de nu en chans som de inte haft förut. Enligt Gabe Klein, f.d. transportminister i Chicago och Washington D.C., kommer självkörande fordon kunna bidra till att ett stort antal parkeringsplatser försvinner och att en stor yta frigörs för annat. Därmed kommer de skapa ett stort värde för samhället.

Källor

[1] Thompson, C., Europé News Week. Future of Parking. 2016-01-24 Länk

Konferenser

SIP-adus årliga konferens, Tokyo 27-28/10

Skrivet av Jan Hellåker, Drive Sweden/Lindholmen Science Park

SIP-adus är en i det närmaste direkt japansk motsvarighet till vårt Drive Sweden. SIP står för Strategic Innovation Program (det finns 11 st olika inom helt olika områden, precis som i Sverige, medan ”-adus” står för Automated Driving for Universal Services. Programmet har också ett med västerländska ögon lite lustigt motto – ”Bringing everyone mobility with a smile”

Programmet startade för ett par år sedan och detta var den andra konferensen. Det var 426 anmälda varav uppskattningsvis ca 50 icke-japaner. För att sätta ribban så inleddes konferensen av den japanska ministern för Science & Technology. Därefter följde 1,5 dag av sedvanliga sessioner. Alla i plenum, och fördelade på de sex arbetsområden man har definierat: Dynamic map, Connectivity, Security, Impact assessment, Human Factors och Next generation transport. Sista halvdagen utgjordes av breakout sessions i ovanstående grupperingar, men dessa var inte öppna för alla – endast för talare, moderatorer och utländska gäster. (Denna ”segregation” skar f.ö. genom hela konferensen genom att det lägre kastet inte ens serverades kaffe i pauserna. ) Den tredje dagen erbjöds demonstrationer av automatiserade bilar från flera japanska biltillverkare.

Programmet innehöll förvånansvärt lite av ren information om SIP-adus, men precis som Drive Sweden så bygger det förstås på andra projekt.

Egna kommentarer:

  • Liksom mycket annat i Japan nu, drivs SIP-adus hårt av Tokyo-OS 2020. Faktum är att de flesta av deras SIP:ar verkar ha som primärt mål att leverera kommersiell drift eller skarpa demonstrationer till dess.
  • Många av västerlänningarna hade varit där första året, och tyckt att det varit en riktigt bra konferens då. Nu hördes signaler om att den hade planat ut lite, och röster hördes om att det kanske är för tätt att köra varje år.
  • Dynamic map – sessionen var den där det hettade till mest. Russ Shields (grundare av Navtech) hävdade att dagens digitala kartor från HERE, TomTom etc – även om man kallar dom HD och Live – är helt värdelösa för automation på SAE nivå 5, som kommer enligt Russ att kräva 10 cm noggrannhet och en mycket högre uppgraderingstakt än idag. Han argumenterade därför för att alla bilar ska skicka upp rådata från alla sina sensorer (kameror, radar, lidar etc) till molnet varifrån andra bilar kan ladda ner, förstås efter en del bearbetning. Han menade vidare att vi inte har tid att kommunicera i mer avancerade former av automation, utan den måste därför utföras i en closed loop i bilen, mellan sensorsystemen och ovanstående databas. Russ driver numera ett nytt affärsprojekt runt detta, den som är intresserad får gärna höra av sig.
  • En av de mer erfarna forskarna inom automation, Dr Steve Shladover på UC Berkeley, har en mycket konservativ inställning till när vi klarar av nivå 5 – absolut inte innan 2075!
  • SAE nivå 3 reser så många frågetecken att flera röster höjdes om att vi borde skippa den nivån, pga. problemen att växla ansvar mellan förare och system.
  • CityMobil2 projektet (med små bussar) hörs alltid bra tack vare sin högröstade italienske projektledare, men de tror verkligen på sitt koncept och letar skarp implementering på många ställen.
  • Mobility as a Service (M-a-a-S) är inte alls lika populärt i Japan som numera i Europa. Kanske är en av anledningarna att de redan har löst betalsystemfrågan tvärs över alla kollektiva transporter (åtminstone i Tokyo) med sitt PASMO kort.
  • Kommunikationsdiskussionerna i Japan roterar väldigt mycket runt olika DSRC-lösningar. Amerikanerna fyller på och Michigan presenterade sin satsning på att utrusta mycket större delar av delstaten än Ann Arbor.
  • Den nation som gav den bästa helhetspresentationen av en satsning på automation var Singapore. Förutom den RFI som funnits ute på förarlösa bussar, så har de även tagit in 8 svar på en RFI om ”automatiska, shared vehicles”. De två namn som stack ut mest på den listan var Uber och BMW.
  • En engelsman från SBD (Security by Design) som pratade om datasäkerhet, sade något som fick många att reagera: han menar att vi kanske måste kompromissa lite mellan dagens krav på Safety, Security och Privacy, för att skydda oss mot hackers.
  • Två personer (C. Rosseau, Renualt och A. Alessandrini, CityMobil2) sade något som många annars brukar smyga runt i dessa konferenser, nämligen att en överordnad aktiv trafikledning behövs den dag vi har många automatiska fordon ute. Om inte så riskerar vi annars att förvärra situationen!
  • Den delade ekonomin i bilvärlden var det mycket tyst om, men en Hondarepresentant viskade över middagen att det kommer ett utspel från dem då Tokyo Motor Show öppnar.
  • Delvis automatiserade (och bränslecellsdrivna) BRT bussar kommer att sättas i drift i den olympiska byn.
  • Leo Kusters från TNO hävdade att en hög penetration av C-ACC 2025 kommer att minska trängseln med 80%. Hmmm….

Detta var lite högt och lågt från Tokyo. Man kan konstatera att trots de yttre likheterna mellan våra program så finns det inte mycket av vårt helhetstänk i Japan (möjligen i Singapore, jag ska gräva mer i det). Utan det handlar mycket om att lösa tekniska problem på fordonsnivå – och samtidigt fixa lite snygga projekt till OS.

Här är en länk till konferensen, jag tror att de flesta presentationerna finns tillgängliga.

Mobilitetstjänster, Samhällspåverkan, Tester och demonstrationer

Austin, Texas – ett mobilitetscentrum

Nu rullar en tredjedel av Googles testflotta av självkörande bilar – 14 st – i Austin, Texas, och man har hundratals anställda där. Nu spekuleras det i om företaget planerar att använda Austin som pilot-stad för bilarna, kanske som självkörande taxi [1].

Nu är inte Google de enda som prövar nya mobilitetstjänster i just Austin. Daimlers tjänst med friflytande bilpooler, Car2Go, har sitt amerikanska huvudkontor där, och de har också köpt ett företag som har en multi-modal mobilitetstjänst kallad Ridescout.

Enligt Susan Shaheen vid UC Berkeley så håller Austin på att bli som Silicon Valley för moblitet.

Texas har inga specifika restriktioner kring självkörande fordon. Man anser att personen som sitter i förarsätet är ansvarig, oavsett om han eller hon faktiskt kör bilen.

Källor

[1] Gabe Nelson: Austin may be fertile ground for Google test, Automotive News 2015-10-12 Länk

Sensorer

Självsvepande laser från UC Berkeley

En grupp forskare från University of California i Berkeley har utvecklat en ny laserteknologi som väntas leda till mindre, lättare, snabbare och energisnålare LIDAR-enheter [1]. Självkörande fordon nämns som ett lämpligt användningsområde.

Dagens laserteknologi går ut på att speglarna som reglerar ljusvåglängden justeras med hjälp av en extern elektronisk enhet. Den nya teknologin möjliggör automatisk justering av speglarna utan  extern enhet, dvs. lasern integreras med speglarna. Lasernkan därmed göras så liten som några hundra kvadratmikrometer.

Den nya teknologin beskrivs i mer detalj i artikeln Laser optomechanics som publicerats i vetenskapsskriften Nature (Scientific Reports) [2].

Källor

[1] Yang, S., Berkeley News. Self-sweeping laser could dramatically shrink 3D mapping systems. 2015-09-03 Länk

[2] Yang, W., et al., Scientific Reports 5. Article number: 13700. Laser optomechanics. 2015-09-03 Länk