- Jag tror att det var en blandning av både överraskning och tacksamhet, säger Akshay Gurudath om sin första reaktion på priset för sin avhandling med den engelska titeln “AI-based prediction of road users’ intents and reactions".
Akshay anlände till Linköpings universitet och Institutionen för datavetenskap (IDA) från södra Indien i september 2020.
- Jag hade läst lite av forskningen de hade gjort, och det var väldigt intressant. Samtidigt gillade jag verkligen masterprogrammet i statistik och maskininlärning eftersom det hade en mix av både statistik och tillämpningar av statistik, vilket många program inte har, och den balansen mellan teori och implementering var det som gjorde att jag fastnade för Linköping.
Hur valde du ämnet för ditt examensarbete?
Forskningsprojektet gjordes i samarbete med ett startup-företag, Viscando, i Göteborg.
- Jag var först entusiastisk över vad företaget gör. De mätte trafikinformation och de försökte också mäta rörelser hos cyklister eller fotgängare i trånga korsningar, och de presenterade sina analyser av trafikflödet för olika intressenter som kommuner och företag. De gjorde detta med sensorer baserade på 3D och artificiell intelligens (AI)-teknologi, som de byggde och utvecklade.
Akshay skickade ett långt mejl till en av företagets chefer och blev inbjuden till Göteborg för en intervju. Vid intervjun diskuterade de kring hur man kan mäta fotgängares intentioner och beslöt sig för att i ett gemensamt projekt ta sig an att försöka förutsäga intention, åtminstone till en viss grad, genom att använda en persons tidigare bana.
Målet var också att observera händelser under långsamma trafikförhållanden. Akshay förklarar att autonom (självstyrande) körning blir mer och mer utbredd i världen. Självkörande bilar studeras dock vanligtvis vid högre körhastigheter där det står mer på spel.
Om vi skulle ha autonoma leveransrobotar i framtiden, som levererar mat till exempel, så vill vi förstå hur dessa autonoma robotar rör sig i en miljö med långsam trafik.
I syfte att minimera trafikstörningar från sådana robotar, kommer det att vara viktigt att förstå hur fotgängare och cyklister rör sig.
En annan och mer omedelbar anledning till projektet var företagets behov att bättre förstå rörelsemönster i stora lagerlokaler för att minimera olyckor med fordon och arbetare.
Vad är maskininlärning?
- Jag tror att det finns många olika definitioner av maskininlärning. Jag gillar att tänka på det så här: det finns vanligtvis mönster förknippade med problem/data och maskininlärning handlar om att förstå dessa mönster genom modellering och optimering i syfte att hitta de bästa parametrarna för en given modell. De mönster som vi försöker förstå här är trafikanternas rörelsemönster.
Maskininlärning är med andra ord en process att hitta mönster. I det här exemplet byggs en matematisk modell för trafikanternas intentioner och sedan finjusteras modellen genom att optimera dess parametrar tills den representerar uppsättningen data i fråga bäst.
Bygga modeller
Sensorpositioner och ungefärligt synfält I sitt projekt använde Akshay data från sensorer som tidigare installerats i B-huset på Campus Valla för att spåra den självkörande bussen och andra trafikanter. Den data han fick tillgång till (punktpositioner) samlades ursprungligen in var femtedels sekund under en vecka i september 2021, inom ramen för ett annat projekt.
Med hjälp av så kallad träningsdata, uppsättningar av data från sensorerna, byggde Akshay tre olika prediktionsmodeller. Varje modells noggrannhet utvärderades sedan mot valideringsdata, det vill säga andra datauppsättningar från sensorerna.
- Jag började med en enkel dynamisk modell baserad på Newtons rörelselagar och när jag väl förstod hur datauppsättningarna såg ut gick jag vidare till en mer komplex maskininlärningsmodell. Det var mycket lärande för mig också. Jag utgick från en väldigt grundläggande modell och sedan gick jag vidare till mer avancerade modeller och genom den här processen lärde jag mig mer.
Vad lärde sig den mest avancerade modellen?
Till exempel lärde sig modellen att förutsäga när en person skulle självkorrigera sin kurs. I vissa situationer kan den också förutsäga om en kollision mellan två personer kommer att undvikas eller inte.
- Det var några intressanta resultat. Till exempel lärde sig modellen att uppmärksamma någon som är nära snarare än någon som är längre bort. Det var verkligen intressant eftersom det här är något som är väldigt grundläggande för oss människor att veta, att uppmärksamma människor som står nära dig och sedan anpassa din bana utifrån det. Vi fann signifikanta bevis för att modellen tar hänsyn till avståndet till andra människor vid uppskattningen av en persons bana.
Akshay har en känsla av att han avslutade sin forskning vid en tidpunkt då saker och ting verkligen började bli intressanta.
- Det här är ett forskningsfält som utvecklas väldigt snabbt och den här modellen lärde sig några grundläggande mönster, men jag känner att det fortfarande är en lång väg att gå.
Till sist önskar Akshay uppmärksamma bidragen till arbetet i form av allt från tekniska idéer till entusiastiska diskussioner från båda hans handledare, Per Sidén (IDA, LiU) och Yury Tarakanov (Viscando).
- Mina handledare var otroligt hjälpsamma, säger Akshay, som i dag arbetar för ett företag för självkörande fordon i Linköping Science Park.
Akshay Gurudath får 10 000 kronor vid prisutdelningen den 29 november på Campus Valla.
- Läs uppsatsen AI-based prediction of road users’ intents and reactions
