Förbättrad säkerhetseffekt av kollisionsundvikande styrande system, del 2.

Syfte och mål

Vårt fokus har varit att studera användandet av maskininlärning i syfte studera dess förmåga att prediktera oavsiktliga filbyten genom att behandla tidsseriedata. Vi har fokuserat på implementationsaspekter, med målet att ta fram en effektiv prediktionsmodell med låg beräkningskomplexitet, som har jämförbar eller bättre prestanda än dagens traditionella metoder.

Resultat och förväntade effekter

Resultaten beskriver hur man på ett beräkningseffektivt sätt kan använda maskininlärning och tidsseriedata för att nå prestanda som överträffar de kinematiska modeller som idag dominerar i industrin. Ett av de viktigaste resultaten är att en beräkningseffektiv flerstegsprediktion baserat på linjär regression visade sig ge svåröverträffad prestanda till en låg kostnad. Icke-linjära modeller fungerade bättre men endast för relativt långa prediktionshorisonter.

Upplägg och genomförande

Övergripande forskningsmetod har varit att implementera och träna nya algoritmer på befintliga, representativ och omfattande data, och att hela tiden utvärdera och jämföra med prestanda hos välkända befintliga metoder. För att få mer värde i resultaten har ofta merparten av befintliga alternativa metoder också implanterats för att få en mer heltäckande bild av resultaten. Projektet har drivits som ett industridoktorandprojekt i samarbete med seniora forskare på Zenseact och Chalmers Tekniska Högskola.