Målföljning och djup maskininlärning för trajektorieskattning med tillämpning mot noggranna referenssystem

Syfte och mål

Målsättningen med projektet är att utveckla algoritmer för precis skattning av trajektoriorna för samtliga dynamiska objekt i närheten av egobilen. Noggrannheten skall vara tillräckligt hög för att skattningarna skall kunna anses vara sanningen. En sådan referensalgoritm för objekt är av yttersta vikt för utveckling och verifiering av såväl omvärldsbeskrivningsalgoritmer som reglermoduler. Fokus kommer att ligga på algoritmer utan realtidskrav, samt på att utreda kombinationen av djupinlärning och sensorfusion, i syfte att extrahera maximalt mycket ur insamlad data.

Förväntade effekter och resultat

Projektet förväntas få en effekt på hur algoritmer för omvärldsbeskrivning utvecklas och verifieras vid utveckling av självkörande fordon. Detta genom framtagandet av strategier och verktyg för att automatiskt skatta fordonsegenskaper och trajektorior från en stor mängd data. Från ett akademiskt perspektiv kommer projektet att utveckla ett teoretiskt ramverk för att skatta multipla dynamiska objekt, nå slutsatser kring hur djupinlärning kan bäst kombineras med konventionella statistiska metoder, samt att leda till en doktorsavhandling.

Planerat upplägg och genomförande

Projektet kommer att koordineras av Zenuity AB, av koordinator Daniel Svensson, som arbetar som produktägare inom området målföljning och objektinteraktion. Merparten av arbetet kommer att utföras av Chalmers tekniska högskola, främst av en doktorand. Handledningen av doktoranden kommer att utföras av postdok Karl Granström och biträdande professor Lennart Svensson. Zenuity kommer att stödja projektet med teknisk expertis, diskutera problemställningar och lösningar, och medverka vid gemensamma datainsamlingar.