Referensdata och algoritmer till stöd för forskning och utveckling av smarta fartyg
Research Project , 2020 – 2023

Bakgrunden till projektet är att de senaste åren har mycket fokus lagts på att ta fram algoritmer för att tolka och agera på den fysiska miljön kring olika typer av farkoster. För att kunna utveckla och utvärdera dessa algoritmer har det blivit tydligt att det krävs öppna dataset som olika utvecklare inom industrier och forskare kan testa sina algoritmer på.

Inom vägfordonssektorn är Kitti1, från 2013, det största datasetet av denna typ. En stark indikation på att denna data har varit mycket viktig för arbetet kring autonoma vägfordon kan ses från att datasetet har refererats till över 2000 gånger inom den vetenskapliga litteraturen. Datasetet innehåller sensordata från flertalet datainsamlingar, från sensorer såsom kameror, LIDAR, och IMU. För marina applikationer finns det för närvarande inget liknande dataset.


Chalmers Revere har sedan 2015 med goda resultat arbetat med datahantering och mjukvara relaterat till data, vilket gör det till en bra värd för detta arbete.

Projektet planerar även att ta flera steg längre än vad som gjordes för Kitti, nämligen:
1) infrastruktur för att jämföra algoritmer automatiskt (Chalmers, 2019), där nya algoritmer alltid jämförs med gamla på samma hårdvara i en molntjänst,
2) bättre tidssynkning mellan olika sensorer och
3) fler och modernare sensorer.


Projektidén går ut på att bygga upp ett maritimt referensdataset, liknande KiTTi1 som finns på fordonssidan, av sensordata som beskriver fartygets omgivande miljö, tillsammans med öppna referensalgoritmer för “enhanced navigation”. Enhanced navigation” defineras som användandet av navigationteknik, som bygger på utvecklingen inom digitalisering och autonoma funktioner, som beslutstödssystem för smarta fartyg. Enhanced navigering använder sensorer för att kombinera sensornavigation med GNSS-positionering.

Projektet kommer specifikt fokusera på:
• Sensorfusion av både ombordsensorer och användandet av sensorer på landsidan
• Objektidentifiering i tillämpning för navigation och antikollision
Referensdatat och referensalgoritmerna kommer att kunna nås genom en onlinetjänst dit forskare och utvecklare kan ladda upp sina algoritmer och där de automatiskt utvärderas med referensdatat. Detta kommer att vara en ny metod med fördelarna:
(i) alla algoritmer jämförs på samma beräkningshårdvara och inte på forskarnas / utvecklarnas egna datorer, (ii) forskare kan inte krydda resultaten eller göra jämförelsen otransparent, och
(iii) alla algoritmer jämförs alltid då en ny algoritm publiceras, och med denna metod garanteras gamla algoritmer alltid fungera (t.o.m. mot nya insamlade data).


Projektet kommer att koppla det maritima referensdatasetet till praktiska tester inom "enhanced navigation" under ett specifikt use case av en resa Vinga – Vänern..

Den tekniska plattformen består av ett ramverk där funktioner kan integreras på ett sandardisertat sätt. Detta möjligör ett iterativt arbetssätt där funktionerna användas i simulatortester och på mindre fartyg, samt för datainsamling. Simulerings- och testkoncept från autonoma vägfordon kommer att användas som inspiration liknande koncept för autonoma fartyg.

Projektet delas in i tre huvudaktiviteter: infrastruktur, tillämpning, test och utvärdering.

Participants

Ola Benderius (contact)

Associate Professor at Chalmers, Mechanics and Maritime Sciences, Vehicle Engineering and Autonomous Systems

Collaborations

RISE Research Institutes of Sweden

Göteborg, Sweden

Funding

Swedish Transport Administration

Funding Chalmers participation during 2020–2023

Related Areas of Advance and Infrastructure

Sustainable development

Driving Forces

Transport

Areas of Advance

ReVeRe (Research Vehicle Resource)

Infrastructure

More information

Latest update

2020-04-29