Etikettarkiv: University of California

Konferenser, Samhällspåverkan

TRB 2018

TRB – Transport Research Board – genomför sin årliga konferens i Washington DC andra veckan i januari. I år var det 97 tillfället som konferensen arrangerades. Under 5 dagar så genomfördes ungefär 800 sessioner och workshops som tillsammans innefattade cirka 5000 presentationer. För forskare och industriföreträdare som har ett intresse i transport, mobilitet och infrastruktur så är TRB en viktig kommunikationskanal för resultat samt arena för att mötas, lära och dela erfarenheter.

Själv presenterade jag en positioneringsartikel skriven av mig själv, Mikael Edvardsson (Volvo Cars), Martin Romell (Volvo Cars), Carl Johan Aldén (Semcon), Niklas Sundin (Consat) och Johan Isacson (Combitech) där vi presenterade Born to Drive som koncept med en tillhörande analys vilka styrkor, svagheter, hot och möjligheter som lösningen kan skapa för fordonslogistik. Presentationen gick bra och vid postern som vi hade samlades ett trettiotal intresserade åhörare för vidare diskussion.

Förutom den egna insatsen så bevistade jag ett flertal sessioner och möten. Två av de intressantaste tycker jag var ”Competing Visions of Transportation’s Future” och ”Toward Zero Emission 2050: The Role of Transportation Technology”. Båda sessionerna riktade in sig mot hur automatisering, elektrifiering och delad mobilitet kommer att påverka transportsystemen och när de första effekterna kan förväntas.

Bland annat så presenterade Joan Walker, University of California, en studie där de låtit familjer simulera ägandet av en självkörande bil genom att erhålla en chaufför 24 timmar om dygnet under ett antal veckor. Det visar sig att dessa familjer ökar sitt användande av fordonet med 83%, bland annat genom att de låter chauffören köra hem fordonet när de arbetar för att undvika dyra parkeringsutgifter.

Lew Fulton, Co-Director STEPS UC Davis, presenterade forskning som påvisar att effekter vad gäller miljövinster av delad mobilitet genom automatisering och delad mobilitet i hög grad kan förväntas först efter 2040. Vi vet idag för lite om hur människor kommer att ta emot den nya tekniken och behöver utveckla realistiska scenarier för hur de positiva effekter som förväntas av självkörande teknik kan skapas. En slutsats som drogs var att för att positiva effekter ska uppstå behöver automatisering, elektrifiering och delad mobilitet sammanstråla.

Bruce Schaller, Schaller Consulting, expert inom taxi och delade mobilitetstjänster, visade emellertid i en studie att de beteendeförändringar som behövs för att delad mobilitet ska bli till inte är en enkel process. Av alla de uber-resor som sker på Manhattan idag är endast 5% delade resor visar hans mätningar. Han menar att det är naivt att tro att delad mobilitet bara kommer att uppstå, incitament behöver skapas samt man behöver förstå hur människor förhåller sig till delad mobilitet. Flera av presentatörerna pekade på att det nu är mycket fokus på teknisk utveckling, men forskning behöver parallellt ske kring incitament för människor att ta till sig tekniken, samt studier av scenarier och vad som händer när autonoma fordon och icke-autonoma fordon samspelar i trafiken.

Sensorer

Deep learning för fotgängare

Noggrann detektering av fotgängare i trafiken i realtid är en känd utmaning. Nu har en grupp forskare vid University of California, San Diego utvecklat en algoritm som kan upptäcka fotgängare med en hastighet av 2-4 bilder per sekund, och med hälften så många fel som befintliga system [1]. Den kan göra skillnad mellan ett graciöst stopp och ett abrupt stopp.

Recept för detta: snabbt och gradvis eliminera områden i bilden som inte innehåller människor (t.ex. himmel eller tom väg) och sedan applicera djuplärande algoritmer för detaljerad bildigenkänning. Det sparar en hel del datorkraft som normalt behövs vid detektering av fotgängare.

Än så länge kan den nya algoritmen inte detektera andra objekt, men detta är något som står på forskarnas att göra lista. Förhoppningen är att algoritmen ska kunna användas på automatiserade fordon samt andra typer av robotar som rör sig i områden med fotgängare.

Här kan ni se hur algoritmen fungerar i trafiken.

Egen kommentar

Studien har publicerats på International Conference on Computer Vision 2015 under titeln Learning Complexity-Aware Cascades for Deep Pedestrian Detection.

 Källor

[1] Fingas, J., Engadget. Smart car algorithm sees pedestrians as well as you can.

Positionering

Mer noggrann GPS

En grupp forskare vid University of California, Riverside (UCR) har utvecklat en ny metod för behandling av GPS-data som ger en centimeternoggrann position med relativt lite beräkningskraft [1].

De har i princip skrivit om vissa ekvationer som används för att beräkna GPS-mottagarens läge och därmed optimerat beräkningsprocessen som hittills krävt mycket processorkraft och varit för dyr att tillämpa i praktiken.

Den här nya metoden väntas bidra till bättre positionering av bl.a. automatiserade fordon.

Egen kommentar

Ni som är intresserade av tekniska detaljer kan läsa sådant i artikeln Computationally Efficient Carrier Integer Ambiguity Resolution in Multiepoch GPS/INS: A Common-Position-Shift Approach som publicerats i IEEE Transactions on Control Systems Technology.