Följning av objekt för självkörande fordon med hjälp av djup maskininlärning
Forskningsprojekt , 2021 – 2025

Projektet syftar till att undersöka och utveckla algoritmer för att följa objekt (FO) med hjälp av olika sensorer, så som radar, kamera och lidar, som är baserade på djup maskininlärning; nedan förkortat till djupa FO-algoritmer. Målsättningen med projektet är att flytta fram forskningsfronten för en rad olika problem som är centrala inom robotik i allmänhet och självkörande fordon i synnerhet. Projektet har två huvudsakliga målsättningar:

-     Utveckla djupa FO-algoritmer som slår de algoritmer som just nu presterar bäst i ett modellbaserat sammanhang, det vill säga i sammanhang där traditionella metoder fortfarande är standard.

-     Identifiera en nätverksarkitektur för djup FO som kan utnyttja verklig radar, kamera och lidar-data på bästa möjliga sätt.

I det första arbetspaketet kommer vi utveckla djupa FO-modeller som kan ersätta traditionella MO-algoritmer i ett modellbaserat sammanhang, vilket innebär att vi fri tillgång till data då den kan simuleras från våra modeller. I det andra arbetspaketet kommer vi arbeta med verklig data för självkörande fordon.

Projektet förväntas leverera resultat och metoder för följning av objekt och djup maskininlärning som kan bidra till forskningsfronten och integreras i Zenseacts mjukvara för självkörande fordon.

Deltagare

Lennart Svensson (kontakt)

Professor vid Chalmers, Elektroteknik, Signalbehandling och medicinsk teknik, Signalbehandling

Christoffer Petersson

Adjungerad docent vid Chalmers, Matematiska vetenskaper, Algebra och geometri

Henk Wymeersch

Professor vid Chalmers, Elektroteknik, Kommunikations- och antennsystem, Kommunikationssystem

Samarbetspartners

Zenseact AB

Göteborg, Sweden

Finansiering

Wallenberg AI, Autonomous Systems and Software Program

Finansierar Chalmers deltagande under 2021–2025

Relaterade styrkeområden och infrastruktur

Informations- och kommunikationsteknik

Styrkeområden

Transport

Styrkeområden

Mer information

Senast uppdaterat

2021-08-19