iQDeep - Maskininlärning för Autonoma Tunga Fordon

Viktiga resultat som projektet gav

iQDeep-projektet syftade till att förbättra självkörande teknologi på Scania med ML-baserade algoritmer för uppfattning och säkerhet. Höjdpunkter inkluderar: - Utveckling av Data Selection Tool och molnbaserad pipeline för annotering - Skapande av distributionspipeline för Neural Networks, förbättrad maskinvara med GPU:er och inferensprogramvara - Utveckling av AI-baserade modeller för segmentering, detektion, osv. - Forskning om vägnätdata, vilket resulterade i 4 publikationer - Forskning om osäkerhet i NN, vilket ledde till en doktorsavhandling och 8 publikationer

Långsiktiga effekter som förväntas

Den förväntade effekten är att underlätta integrationen av toppmodern datadriven teknologi för autonom körning i Scania-fordon. Under loppet av iQDeep kunde vi slutföra processen av att samla in data i fordon, halvautomatiskt välja ut de mest informativa datan och skicka dem för annotering, använda den annoterade datan för att träna våra modeller, ställa upp mjuk- och hårdvaran för att köra de tränade modellerna och sedan integrera den tränade modellen i fordonet för att förbättra prestandan hos uppfattningsmodulen samt de efterföljande uppgifterna i vår autonoma pipeline.

Upplägg och genomförande

Genomförandet av projektet leddes av Scania som huvudpartner, i samarbete med två laboratorier, nämligen Computer Vision (CVL) och Automatic Control (RT), vid Linköpings universitet. För den interna delen på Scania allokerades 4,5 heltidstjänster för utveckling av datapipeline, uppbyggnad av fordonets mjuk- och hårdvaruplattform samt träning och integration av djupinlärningsbaserade modeller i vår uppfattningspipeline. CVL och RT anställde 2 doktorander för att bistå Scania med utförandet av forskning inom två viktig områden inom AD, i.e., Road Networks och Uncertainty.