Realistisk simulering av fordon för säkrare, robustare och billigare utveckling av automatiserade fordon

Forskningsprojekt, 2017 – 2019

Ett av de absolut största problemen med att utveckla system för autonoma fordon är tillgången till annoterad data för supervised learning och simuleringsmiljö för reinforcement learning. Vi vill i detta projekt utveckla två simuleringsverktyg, varav det ena är baserat på maskininlärning och bygger på det första. Verktyget är specialanpassad för just domänen autonoma fordon. Verktygen, som vi kallar SweSim4AD och RealSim4AD, ska med hjälp av unsupervised maskininlärning lära sig att att översätta syntetisk data från en simulering till mer verklig data. Verktyget, inom ramen för detta projekt, ska återspegla svenska städer, landsväg och motorväg och både kunna användas för att lära intelligent beteende hos agenter, genom reinforcement learning, samt generera enorma mängder träningsdata i form av depth maps, bounding boxes, object segmentation och andra vanliga targets för supervised maskininlärning. Vi hoppas med detta projekt ta några stora steg mot att skapa världens bästa miljö för att utveckla autonom fordonsteknik.