Säkerhetsmarginaler i komplexa traffikmiljöer

Syfte och mål

Det primära målet att lära sig att interagera naturligt och säkert med andra trafikanter uppnåddes framgångsrikt och dokumenterades i tre artiklar. I den första artikeln föreslogs en funktionell arkitektur för att hantera behoven hos ett självkörande fordon och det visades hur ett system kunde lära att utföra manövrar effektivt och säkert. I den andra och tredje artikeln visades hur systemet kunde läras att ta marginaler som efterliknar den omgivande trafiken. Några av delmålen hoppades över på grund av arkitektoniska val som minskade deras betydelse.

Resultat och förväntade effekter

Projektet resulterade i 3 artiklar. Den första artikeln publicerades vid ITSC-konferensen 2019 och ledde till ett samarbete med Berkeley-universitetet. Detta samarbete resulterade i två artiklar som presenterades vid BAIR / BDD fall workshop 2019 i Kalifornien. Ett sekundärt resultat av detta projekt var en bättre förståelse av arkitektoniska beslut för regleralgoritmerna. Inte bara har detta arbete påverkat beslut som tagits för Zenuitys/Zenseacts mjukvara, utan idéerna har spridits inom forskarsamhället i Göteborg och Berkeley.

Upplägg och genomförande

I början av projektet formulerades arkitekturkrav för en regleralgoritm. En simulator skapades sedan för att studera, designa och testa besluts- och reglerkomponenterna i ett valt ramverk. Detta gjorde att andra trafikanters interaktionsbeteende kunde varieras på ett kontrollerat sätt. Algoritmer kunde sedan utvecklas för att interagera med sina digitala medtrafikanter och testas under kontrollerade förhållanden. Utvecklingen utfördes främst på Zenuity och Volvo. Chalmers stöttade utvecklingen med konceptuella diskussioner och handledning.