Realistisk simulering av fordon för säkrare, robustare och billigare utveckling av automatiserade fordon

Diarienummer 2017-03086
Koordinator ASTAZERO AB
Bidrag från Vinnova 1 772 000 kronor
Projektets löptid november 2017 - december 2019
Status Beslutat
Utlysning Maskininlärning - FFI
Ansökningsomgång Maskininlärning för fordonsindustrin - FFI

Syfte och mål

Ett av de största problemen vid utveckling av system för autonoma fordon är tillgången till data. Vi vill i detta projekt utveckla två simuleringsverktyg, varav det ena är baserat på maskininlärning och bygger på det första. Verktygen ska med hjälp av unsupervised maskininlärning lära sig att att översätta syntetisk data från en simulering till mer verklig data. Verktyget ska både kunna användas för att lära intelligent beteende hos agenter, genom reinforcement learning, samt generera enorma mängder träningsdata i form av vanliga targets för supervised maskininlärning.

Förväntade effekter och resultat

Vi förväntar oss att kunna se en förbättring av prestandan hos de tränade systemen vid användandet av vår simulerad data. Vidare förväntar vi oss att prestandan ökar ytterliggare när vi använder den förfinade syntetiska datan. Genom att se hur mycket av den annoterade datan vi kan ignorera och ändå uppnå samma prestanda, genom kombinationen med syntetisk data, kan vi kvantifiera kostnadsbesparingen.

Planerat upplägg och genomförande

Vi kommer att utrusta fordon med lämpliga sensorer. Data kommer sedan att loggas från detta fordon i olika miljöer och förhållanden. En delmängd av denna data annoteras. Samtidigt utvecklar vi simuleringsmjukvaran för att stödja simuleringar med dessa sensorer. Därefter utvecklar vi maskininlärningssystemet som förfinar den syntetiska datan. Slutligen kommer projektet att utvärderas genom experiment i verklig miljö på AstaZeros testbana.

Externa länkar

Projekthemsida

Texten på denna sida har projektgruppen själv formulerat och innehållet är ej granskat av våra redaktörer.