Målföljning och djup maskininlärning för trajektorieskattning med tillämpning mot noggranna referenssystem
Forskningsprojekt , 2018 – 2022

Att ha en noggrann beskrivning av omgivningen runt det egna fordonet är nödvändigt för automatiserade fordon, eftersom dessa skall köra utan någon övervakning från föraren. För att skapa en sådan omvärldsbild med god noggrannhet, samt hög tillförlitlighet, krävs det att flera sensortyper används, till exempel kamera och lidar. En viktig komponent vid utveckling och verifiering av omvärldsbeskrivande system, även kallade perceptionssystem, är ett referenssystem vilket producerar skattningar av hur andra fordon har åkt. Dessa skattningar, vilka kan beskrivas i form av trajektorior, måste ligga väldigt nära de sanna trajektoriorna. För att uppnå sådan noggrannhet, och samtidigt ha hög tillförlitlighet, behöver flera sensortyper hanteras.

Dessutom behöver gränsen av dagens perceptionsalgoritmer tänjas. Detta projekt syftar till att ta fram noggranna och tillförlitliga trajektorior av andra objekt, i syfte att skapa en referens av omgivningen, mot vilken andra perceptionsalgoritmer kan utvecklas och utvärderas. De sensorteknologier som hanteras är kamera och lidar. Två nyckelkomponenter i projektet är djup maskininlärning samt trajektorieestimering med målföljning och glättning. Eftersom fokus i projektet är på noggrannhet, kan algoritmerna utvecklas utan realtidskrav.

Deltagare

Tomas McKelvey (kontakt)

Professor vid Chalmers, Elektroteknik, Signalbehandling och medicinsk teknik

Karl Granström

Forskare vid Chalmers, Elektroteknik, Signalbehandling och medicinsk teknik

Lennart Svensson

Biträdande professor vid Chalmers, Elektroteknik, Signalbehandling och medicinsk teknik

Samarbetspartners

Zenuity

Gothenburg, Sweden

Finansiering

VINNOVA

Finansierar Chalmers deltagande under 2018–2022

Mer information

Senast uppdaterat

2019-04-05