Garanterade gränser för fordonets rörelsetillståndestimering för automatiserad körning

Forskningsprojekt, 2021 – 2024

Med krav på ökad effektivitet och minskad energiförbrukning ser vi en utveckling mot tyngre och längre fordonskombinationer med en total längd på drygt 30 meter. Det innebär att flera lastfordon kopplas ihop och man får fler (upp till tre) ledpunkter att hålla koll på. En duktig lastbilsförare utvecklar över tid en bra känsla för hur fordonskombinationens olika delar rör sig i olika situationer, exempelvis hur mycket olika efterfordon skär in i en kurva eller hur man bäst kör genom en rondell. Med ökande grad av automatisering av långa kombinationer så ökar således även kraven på att fordonet själv (i varje ögonblick) har god kontroll på de olika delarna i fordonskombinationen avseende exempelvis relativ positionering, hastighet och acceleration, dvs fordonens tillstånd.

Detta är möjligt genom att sätta olika sensorer på fordonen (kameror, LiDAR, GPS, vinkelgivare, hastighetsgivare, accelerometrar mm) som ger brusiga mätningar på fordonens rörelse. Dessa mätningar kan man förfina genom att kombinera dem med kunskap (modeller) om hur fordonen rör sig för att göra en förbättrad uppskattning av de olika fordonens tillstånd, ett så kallat tillståndsestimat. Problemet är bara att alla sensorer har en viss nivå av felvisning (som beror på sensorns precisionsnivå, brus, mm) samt att modellerna över hur fordonen rör sig är förenklade vilket i sig ger upphov till feltolkning av mätvärdena från sensorerna. Dessutom så påverkas dessa felkällor av yttre omständigheter då, till exempel, kameror fungerar olika i ljus och mörker samt fordon rör sig mycket annorlunda när det är halt. Detta tillsammans ger upphov till fel och osäkerhet för de tillståndsestimat som erhålls som är svåra för dagens system att beskriva på ett tillförlitligt sätt. Man kan då hamna i situationer där fordonet har en feluppfattning om var dess olika delar befinner sig (estimeringsfel) samt, vad som är än värre, vara felaktigt säker på sin sak (överkonfident).

För automatisering av långa fordonskombinationer så kan den här typen av fel och osäkerheter få stora konsekvenser även om de kan tyckas vara relativt små. Exempelvis kan ett fel på en grad på vinkel mellan fordonen i främre delen av fordonskombinationen ge upphov till en feluppskattning av de bakre fordonens sidledsposition (tillståndsestimat) på runt en halv meter. Det finns således stor risk för allvarliga incidenter med exempelvis mötande trafik eller vid kurvtagning. Det är därför av yttersta vikt att ta fram tillförlitliga tillståndsestimat där skattning av osäkerheten görs på ett mer tillförlitligt sätt. När det finns tillståndsestimat för samtliga fordon i kombinationen med tillhörande skattning av osäkerhet så får systemet en bra ”känsla” för var varje fordon i kombinationen befinner sig och systemet kan, likt en mänsklig förare, anpassa hur fordonet styrs därefter. Detta är en förutsättning för säker autonom körning med långa fordonskombinationer.

I detta projekt kommer vi studera hur man kan förbättra osäkerhetsbeskrivningen på fordonens tillstånd så att vi kan realisera säker automatiserad körning av långa fordonskombinationer i komplexa trafikmiljöer. Vi planerar att tas ett helhetsgrepp om problemet genom att angripa problemet från tre olika infallsvinklar: 1) identifiera effektiva åtgärder på angränsande delsystem som förenklar problemet, till exempel kravsätta sensorer och aktuatorer så att dessa kan, i större utsträckning och med högre giltighet, beskrivas med enklare modeller. Detta kommer att minska felen och osäkerheten i tillståndsestimaten men kommer samtidigt leda till högre krav på sensorer och aktuatorer vilket driver kostnad och verifieringsbehov. 2) utveckla nya/existerande estimeringsmetoder genom att, i stället för att enbart fokusera på uppskattat värde (tillstånd), också lägga stort vikt på dess osäkerhetsbeskrivning. 3) utforska möjligheter att använda data (maskininlärning) för att träna fram metoder / modeller som klarar av att beskriva den komplexa naturen av systemet och dess osäkerheter på ett bättre sätt än vad vi klarar av med (hand-) designade metoder och modeller. Detta är generellt en viktig forskningsfråga då osäkerhetsbeskrivning från dessa datadrivna modeller ofta är otillfredsställande.

Säkra estimat av fordonsrörelse är avgörande om vi skall lyckas med att elektrifiering och automatisering av långa fordonskombinationer.