Autonomi och fordonsreglering

Autonom trafik
Autonom trafik Fotograf: iStock/AkaratPhasura

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".

Video

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).

Scenario för självkörande bilar.

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.

Video

Modellering och prediktion av omgivande trafik

Rondell.
Ett annat aktivt forskningsområde i gruppen är modeller för prediktion av beteende hos omgivande trafik, där beteende representerar både intention och framtida väg och hastighet. Ett enkelt exempel är att prediktera om fordon i omgivande trafik kommer vara kvar i sin fil, eller byta fil till höger eller vänster. I artikeln (Westny, T. et al., 2023a) visas hur grafbase rade probabilistiska neuronnätsmodeller kan användas för att prediktera rörelser hos omgivande trafik i komplexa situationer. Specifikt studeras hur interaktionen mellan fordon kan modelleras, då det har stor påverkan på fordonens beteende i komplexa trafiksituationer, exempelvis en rondell. Det finns väl etablerade modeller för hur fordon rör sig, så kallade rörelsemodeller. Det har visat sig vara fördelaktigt att inkludera sådana rörelsemodeller i neuronnätsmodellerna eftersom det ökar prediktionsprestandan samtidigt som det förbättrar generaliseringsförmågan hos modellerna. I (Westny, T. et al., 2023b) studeras hur olika val av rörelsemodeller och integrationsmetoder påverkar modellens prestanda. Modellen som utvecklades sammanfattas i figuren nedan.

Encoder-Decoder model.

Fordonsdynamik

Optimala fordonsmanövrar

Bil gör en undanmanöver.
Forskningen inom optimala fordonsmanövrar utvecklar metoder för rörelseplanering och reglering vid gränsen av fordonets kapacitet, som till exempel maximal användning av friktionen mellan däcken och vägen för en bil. Det övergripande målet är att möjliggöra autonom hantering av tids- och säkerhets kritiska situationer, exempelvis när ett djur plötsligt dyker upp i körfältet eller vid körning med för hög hastighet på en isfläck i en kurva. I sådana situationer är det viktigt att på bästa möjliga sätt utnyttja den tillgängliga friktionen mot underlaget, vilket betyder att fordonets och däckens dynamik är viktiga aspekter att ta hänsyn till vid planering av fordonsmanövern. Forskningen inom detta område har resulterat i metoder för att formulera och lösa optimala manövreringsproblem med dynamisk optimering, se (Berntorp, K. et al., 2014) och (Anistratov, P. et al., 2022). Den har även lett fram till nya metoder för reglering i realtid av fordon i säkerhetskritiska situationer med både stillastående och rörliga hinder. Två sådana metoder presenteras i artiklarna (Fors, V. et al., 2021a) och (Fors, V. et al., 2021b). Genom att använda en regleringsprincip med ett kraftcentrerat perspektiv i formuleringen istället för ett mer traditionellt väg- och hastighetsperspektiv, visas hur beräkningseffektiva och implementeringsbara algoritmer kan utvecklas som fungerar även när fordonet är på gränsen av sin kapacitet.

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.

Lasbil. 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.

Relaterat innehåll

Forskare

Nyckelreferenser

2025

Zhou, J., Gao, Y., Olofsson, B., & Frisk, E. (2025). ”Robust motion planning for autonomous vehicles based on environment and uncertainty-aware reachability prediction”. Control Engineering Practice, 160, doi: 10.1016/j.conengprac.2025.106319.

Zhou, J., Gao, Y., Johansson, O., Olofsson, B., & Frisk, E. (2025). ”Robust predictive motion planning by learning obstacle uncertainty”. IEEE Transactions on Control Systems Technology, doi: 10.1109/TCST.2025.3533378.

2024

Zhou, J., Olofsson, B. and Frisk, E., 2024. Interaction-aware motion planning for autonomous vehicles with multi-modal obstacle uncertainty predictions. IEEE Transactions on Intelligent Vehicles, 9(1), pp.1305-1319, doi: 10.1109/TIV.2023.3314709.

A. Behera, S. Kharrazi, and E. Frisk. ”How do long combination vehicles perform in real traffic? A study using Naturalistic Driving Data”. Accident Analysis & Prevention 207, 2024. doi: 10.1016/j.aap.2024.107763.

2023

Westny, T., Oskarsson, J., Olofsson, B., & Frisk, E. (2023a). ”MTP-GO: Graph-based probabilistic multi-agent trajectory prediction with neural ODEs”. IEEE Transactions on Intelligent Vehicles, 8(9), 4223-4236, doi: 10.1109/TIV.2023.3282308.

Westny, T., Oskarsson, J., Olofsson, B., & Frisk, E. (2023b). ”Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction”. In IEEE Intelligent Vehicles Symposium (IV 2023), doi: 10.1109/IV55152.2023.10186615.

2022

V. Fors, B. Olofsson and E. Frisk, ”Resilient Branching MPC for Multi-Vehicle Traffic Scenarios Using Adversarial Disturbance Sequences” in IEEE Transactions on Intelligent Vehicles, 2022, doi: 10.1109/TIV.2022.3168772.

P. Anistratov, B. Olofsson and L. Nielsen, ”Analysis and design of recovery behaviour of autonomous-vehicle avoidance manoeuvres” in Vehicle System Dynamics, vol. 60, no. 7, pp. 2231-2254, 2022., doi: 10.1080/00423114.2021.1900577.

2021

M. Morsali, E. Frisk and J. Åslund, ”Spatio-Temporal Planning in Multi-Vehicle Scenarios for Autonomous Vehicle Using Support Vector Machines” in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 4, pp. 611-621, Dec. 2021, doi: 10.1109/TIV.2020.3042087.

F. Mohseni, E. Frisk and L. Nielsen, ”Distributed Cooperative MPC for Autonomous Driving in Different Traffic Scenarios” in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 2, pp. 299-309, June 2021, doi: 10.1109/TIV.2020.3025484.

V. Fors, B. Olofsson and L. Nielsen, ”Autonomous Wary Collision Avoidance”, in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 2, pp. 353-365, June 2021, doi: 10.1109/TIV.2020.3029853.

V. Fors, P. Anistratov, B. Olofsson, and L. Nielsen, L., ”Predictive force-centric emergency collision avoidance”, Journal of Dynamic Systems, Measurement, and Control, 143(8), 2021, doi:10.1115/1.4050403.

2020

B. Olofsson, and L. Nielsen (2020). ”Using crash databases to predict effectiveness of new autonomous vehicle maneuvers for lane-departure injury reduction”. IEEE Transactions on Intelligent Transportation Systems, 22(6), 3479-3490, doi: 10.1109/TITS.2020.2983553.

Relaterade avhandlingar

Om avdelningen

Om institutionen