PRELAT

Syfte och mål

I PRELAT-projektet har robustheten för lateral reglering av automatiserad körning varit i fokus. Målapplikationen är automatisering av lastbilar för körning på motorvägar; för detta är körbar yta och vägmarkeringar av primärt intresse. De tidiga demonstratorerna för automatiserad körning uppvisade otillfredsställande tillförlitlighet för kontinuerlig reglering. Två huvudspår som drivits i projektet har varit att använda en kombination av lidar och kamera och att använda neurala nätverk med faltning för fusion och semantisk segmentering.

Resultat och förväntade effekter

PRELAT-projektet har framgångsrikt bidragit till ett forskningsområde för bilindustrin som är i snabb tillväxt. Robustheten i perception för lateral reglering förbättras avsevärt med föreslagen sensorfusion. Volvokoncernen har dragit nytta av resultaten och kommer att fortsätta att använda dess i den förväntade introduktionen av fler automatiserade fordon. En licentiatavhandlning har författats av en doktorand på Chalmers och en avhandling kommer att läggas fram.

Upplägg och genomförande

Forskningsfrågan har varit hur kan vi lägga till nya sensormodaliteter och kvantifiera förbättringen. Valet var att utvärdera lidar-punktmoln och att kombinera det med bilder från monokamera. Huvudmetoden var att studera perceptionen som en fristående komponent för att utvärdera dess prestanda. Det tekniska tillvägagångssättet har varit supervised learning, alltså där träningsresultat jämförs med ett ofta handgjort facit. Utvärdering har utförts off-line. Önskvärt hade varit att använda egna data, detta visade sig kostsamt att ta fram inom projektet.