Uppkopplade och automatiserade transportsystem har potential att öka effektivitet, både för passagerare i det automatiserade fordonet, samt för medtrafikanter. Därför är ett huvudmål med vår forskning att utveckla metoder och tekniker för feltolerant beslutsfattande och robust reglering av autonoma markfordon i komplexa situationer, typiskt involverande många fordon.
I (Olofsson, B. et al., 2020) visas hur autonoma funktioner i ett fordon signifikant kan öka säkerhet och reducera antal dödliga och allvarliga olyckor i trafiken. Forskningen inkluderar såväl personbilar som tunga fordon.
I nuläget faller våra aktiviteter främst inom tre kategorier;
- planering och reglering
- modellering och prediktion av omgivande trafik
- optimala fordonsmanövrar
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 interaktionen med omgivande miljö och fordon samt den osäkerhet som finns i det specifika fordonets beteende. Perception och signalbehandling av sensordata, exempelvis från kamera, lidar och radar, är en central del av ett autonomt fordon för att skapa en korrekt bild och förståelse av omvärlden.
En korrekt bild av omvärlden är central för att sedan kunna fatta rätt beslut. Vår forskning utnyttjar metoder och resultat inom perception som ger en omvärldsbeskrivning för att utveckla metoder för planering, reglering och prediktion av omgivande trafik. Exempel på resultat med 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). De här metoderna har vidareutvecklats i till exempel (Zhou, J. et al., 2022) för att explicit prediktera och hantera interaktionen mellan omgivande fordon och sedan använda prediktionerna i en modellprediktiv regulator (MPC).
Osäkerhet i beteende hos omgivande trafik kan hanteras genom att förutse vilka farliga situationer som kan uppstå över en given prediktionshorisont och sedan införliva den informationen i rörelseplaneraren samt regulatorn (Fors, V. et al., 2022). Videon nedan illustrerar hur en sådan ansats fungerar för beslutsfattande i en komplex och osäker trafiksituation.
Modellering och prediktion av omgivande trafik
Ett annat aktivt forskningsområde i gruppen är avancerade modeller för prediktion av beteende hos omgivande trafik. Ett enkelt exempel är att prediktera om fordon i omgivande trafik kommer vara kvar i sin fil, eller byta fil till höger eller vänster, som illustreras av figuren till höger. Artikeln (Westny, T. et al., 2021) visar hur neurala nätverk kan användas för att modellera intentioner hos omgivande trafik.
Optimala fordonsmanövrar
Foto Toa55 Forskningen inom optimala fordonsmanövrar utvecklar metoder för rörelseplanering och reglering vid gränsen av fordonets kapacitet. Målet är att möjliggöra autonom hantering av tids- och säkerhetskritiska situationer, exempelvis när ett oväntat hinder plötsligt dyker upp eller vid för hög hastighet vid en lågfriktionsyta på vägen. Vid sådana situationer är det önskvärt att optimalt utnyttja tillgänglig friktion mellan fordonets däck och vägen. Forskningen har resulterat i både metoder för att formulera och lösa optimala manövreringsproblem med dynamisk optimering (till exempel Anistratov, P. et al., 2022), och metoder för reglering i realtid av fordon i säkerhetskritiska situationer via ett kraftcentrerat perspektiv (till exempel Fors, V. et al., 2020).
