Självkörande bilar och automatiserad transport har potential att öka effektivitet och säkerhet i trafiken. Forskning från avdelningen som presenteras i (Olofsson, B. et al., 2020) visar hur autonoma funktioner i bilar kan öka säkerheten och reducera antal dödliga och allvarliga olyckor i trafiken.
Vår forskning syftar till metodutveckling för att möjliggöra robust, feltolerant, säker, och resilient automatisering av fordon, som fungerar även under påtagliga osäkerheter i omgivningen och mätningar från olika typer av sensorer. Framträdande aspekter i forskningen är planering och robust reglering av fordon, optimering av fordonsmanövrar, modellering och prediktion av beteende hos omgivande trafik, samt analys av fordonets beteende i trafiken.
Vår forskning omfattar såväl personbilar som tunga fordon och vi använder oss av forskningsarenan Visionen för experiment, vilket möjliggör att gå från simulering till experiment (Sim2Real) som beskrivs i LiU-artikeln "Från simulering till verklighet med självkörande bilar".
I nuläget faller våra forskningsaktiviteter främst inom tre kategorier:
- planering och reglering
- modellering och prediktion av omgivande trafik
- fordonsdynamik
Här följer en kortfattad beskrivning av vår forskning samt nyckelreferenser för den som vill veta mer.
Planering och reglering
Att på ett säkert och effektivt sätt planera och reglera rörelsen hos ett fordon är utmanande av flera skäl. Ett viktigt sådant är den dynamiska interaktionen med omgivande miljö och fordon samt den osäkerhet som finns i det specifika fordonets beteende. Perception och signalbehandling av sensordata, exempelvis från sensorer som kamera, lidar och radar, används i ett självkörande fordon för att skapa en korrekt bild och förståelse av omvärlden. Denna bild av omvärlden är central för att sedan kunna fatta rätt beslut och planera en rörelse för fordonet. Figuren nedan illustrerar situationen i en miljö med många omgivande fordon (SV), där vi inte vet exakt hur de kommer agera, och vi vill planera rörelsen för ego-fordonet (EV).
En intressant metod för att lösa detta problem är modellprediktiv reglering (MPC), där en modell av fordonet och dess omgivning inkluderas i ett optimeringsproblem där fordonets nästa rörelser beräknas. I artikeln (Zhou, J. et al., 2024) presenteras en metod för hur interaktionen mellan omgivande fordon kan inkluderas i planeringen. En fundamental egenskap hos problem som involverar flera fordon är att det är svårt att veta exakt hur omgivningen kommer att agera vilket illustreras i figuren nedan.
Av detta skäl studeras hur robusthet mot sådan osäkerhet kan introduceras i MPC i artikeln (Zhou et al., 2025a). Ansatsen utökas sen i (Zhou et al., 2025b) där den statiska omgivningen, exempelvis information om vägnätet, tas med i problemformuleringen. Andra exempel på resultat baserat på olika tekniker för att på ett säkert sätt planera och navigera i en dynamisk miljö är (Morsali, M. et al., 2020) och (Mohseni, F. et al., 2020).
Osäkerhet i beteende hos omgivande trafik kan hanteras genom att förutse möjliga situationer, speciellt potentiellt farliga sådana, som kan uppstå över en förutbestämd prediktionshorisont och sedan inkludera den informationen i rörelseplaneringen samt regulatorn. En metod för detta presenteras i (Fors, V. et al., 2022). Videon längre ner illustrerar hur en sådan ansats fungerar för beslutsfattande i en komplex och osäker trafiksituation med flera involverade fordon.
Modellering och prediktion av omgivande trafik
Fordonsdynamik
Optimala fordonsmanövrar
Långa fordonskombinationer
Introduktion av långa fordonskombinationer (LCV), såsom A-dubbel och DuoCat, pågår vilket ger en möjlighet att minska driftskostnader och öka transporteffektiviteten. Därmed är det intressant att studera egenskaper hos sådana långa ekipage.
En fråga är hur dessa fordon presterar på väg, exempelvis i komplexa trafiksituationer som filbyten, rondeller, korsningar och snäva kurvor. I den här forskningen studeras och analyseras hur fordonen beter sig med avseende på prestandabaserade standarder med hjälp av naturalistisk kördata från experiment med LCV. Prestandabedömningen är i huvudsak bakåtförstärkning, spåravvikelse och svept area i låg hastighet, se (Behera et al., 2024) för en mer detaljerad beskrivning.