I denna rapport redogörs för en implementering av fusion mellan kortdistanssensorer. Syftet med denna implementering är att erhålla Stop & Go-funktionalitet till den adaptiva farthållaren som idag finns som tillval i Scanias lastbilar. Adaptiv farthållning, ACC, är en funktion som automatiskt anpassar fordonets hastighet ifall detta kommer ikapp ett annat fordon som färdas långsammare än den inställda hastigheten. Scanias system använder sig idag av en långdistanssensor som ser långt men har smalt synfält. Genom att komplettera denna med kortdistanssensorer, som ser kort men brett, kan önskvärt synfält i närområdet för att säkert kunna implementera Stop & Go-funktionen uppnås. Sensorfusion bygger på principen att två eller fler sensorer som ser samma sak ger en mer korrekt bild av verkligheten än en enskild. Fusionen kan genomföras på många olika sätt. I rapporten beskrivs tre metoder övergripligt; Bayesiska nätverk, auktionsalgoritmen samt Gating. I implementeringen används gatingmetoden. Initialt implementeras en målspårningsalgoritm med kalmanfilter. Efter uppdatering av sensormjukvaran väljs dock denna bort eftersom sensorernas interna målspårning då anses som tillräcklig. En modell med sensorfusionen och målselekteringen byggs i Simulink och programmeras sedan in i en hårdvaruenhet. Syftet med detta är att kunna utvärdera funktionen i ett prototypfordon. Inledningsvis rapporteras enbart korrelerade mål från modellen. För mer kontinuerlig målföljning, främst i kurvor, implementeras därefter en algoritm som även tar hänsyn till enskilda sensorers observationer. Dessa accpeteras dock först efter en viss valideringstid eftersom denna information har lägre konfidens än korrelerade mål. Provkörningar visar att målföljningen fungerar väl. En stor svårighet har varit att sålla bort stillastående mål från rörliga, främst i låga farter. Detta eftersom sensorernas hastighetsangivelse har låg precision vilket medför att ett stillastående mål kan rapporteras som ett långsamt rörligt. / In this thesis report an implementation of fusion between short range radars is described. The purpose of this implementation is to obtain Stop & Go functionality for the adaptive cruise control which is offered as an option in today’s Scania trucks. Adaptive cruise control, ACC, is a feature that automatically adapts the vehicle speed if it should catch up to another vehicle moving slower than the desired set speed. For this application Scania today use a long range sensor that has a long but narrow field of view. By complementing this sensor with short range sensors, which have short but wide fields of view, the desired field of view in the short range area can be obtained. This is necessary in order to be able to safely implement the Stop & Go functionality. Sensor fusion is based on the principle that two or more sensors overlooking the same area give a more accurate impression of reality than a single one. The fusion can be conducted in several ways. In the report three different methods are briefly described; Bayesian Networks, the Auction Algorithm and Gating. In the implementation the gating method is applied. Initially a target tracking algorithm using Kalman filter is implemented. However, after software updates in the short range sensors this algorithm is no longer used. This is because the improved tracking made internally by the sensors is considered to be sufficient, hence making an external tracking algorithm redundant. The sensor fusion and the target selection are implemented in a Simulink model which is later programmed into a hardware unit. The purpose of the latter is to be able to evaluate the functionality in a prototype vehicle. Initially, only associated targets are reported from the model. In order to obtain a more continuous target tracking, mainly while driving in curves, observations made only by single sensors are also considered. However, these measurements have lower level of confidence than the associated targets. Therefore these measurements first have to be validated for a certain period of time before they are approved. Test runs indicate that the target tracking works as intended. One major difficulty has been to separate stationary targets from slow moving ones, especially in low speeds. This is due to the fact that the sensors’ speed measurements are fairly inaccurate. Therefore a stationary target could be reported as a slow moving one.

<p>I denna rapport redogörs för en implementering av fusion mellan kortdistanssensorer. Syftet med denna implementering är att erhålla Stop & Go-funktionalitet till den adaptiva farthållaren som idag finns som tillval i Scanias lastbilar. Adaptiv farthållning, ACC, är en funktion som automatiskt anpassar fordonets hastighet ifall detta kommer ikapp ett annat fordon som färdas långsammare än den inställda hastigheten. Scanias system använder sig idag av en långdistanssensor som ser långt men har smalt synfält. Genom att komplettera denna med kortdistanssensorer, som ser kort men brett, kan önskvärt synfält i närområdet för att säkert kunna implementera Stop & Go-funktionen uppnås. Sensorfusion bygger på principen att två eller fler sensorer som ser samma sak ger en mer korrekt bild av verkligheten än en enskild. Fusionen kan genomföras på många olika sätt. I rapporten beskrivs tre metoder övergripligt; Bayesiska nätverk, auktionsalgoritmen samt Gating. I implementeringen används gatingmetoden.</p><p>Initialt implementeras en målspårningsalgoritm med kalmanfilter. Efter uppdatering av sensormjukvaran väljs dock denna bort eftersom sensorernas interna målspårning då anses som tillräcklig. En modell med sensorfusionen och målselekteringen byggs i Simulink och programmeras sedan in i en hårdvaruenhet. Syftet med detta är att kunna utvärdera funktionen i ett prototypfordon. Inledningsvis rapporteras enbart korrelerade mål från modellen. För mer kontinuerlig målföljning, främst i kurvor, implementeras därefter en algoritm som även tar hänsyn till enskilda sensorers observationer. Dessa accpeteras dock först efter en viss valideringstid eftersom denna information har lägre konfidens än korrelerade mål.</p><p>Provkörningar visar att målföljningen fungerar väl. En stor svårighet har varit att sålla bort stillastående mål från rörliga, främst i låga farter. Detta eftersom sensorernas hastighetsangivelse har låg precision vilket medför att ett stillastående mål kan rapporteras som ett långsamt rörligt.</p> / <p>In this thesis report an implementation of fusion between short range radars is described. The purpose of this implementation is to obtain Stop & Go functionality for the adaptive cruise control which is offered as an option in today’s Scania trucks. Adaptive cruise control, ACC, is a feature that automatically adapts the vehicle speed if it should catch up to another vehicle moving slower than the desired set speed. For this application Scania today use a long range sensor that has a long but narrow field of view. By complementing this sensor with short range sensors, which have short but wide fields of view, the desired field of view in the short range area can be obtained. This is necessary in order to be able to safely implement the Stop & Go functionality. Sensor fusion is based on the principle that two or more sensors overlooking the same area give a more accurate impression of reality than a single one. The fusion can be conducted in several ways. In the report three different methods are briefly described; Bayesian Networks, the Auction Algorithm and Gating. In the implementation the gating method is applied.</p><p>Initially a target tracking algorithm using Kalman filter is implemented. However, after software updates in the short range sensors this algorithm is no longer used. This is because the improved tracking made internally by the sensors is considered to be sufficient, hence making an external tracking algorithm redundant. The sensor fusion and the target selection are implemented in a Simulink model which is later programmed into a hardware unit. The purpose of the latter is to be able to evaluate the functionality in a prototype vehicle. Initially, only associated targets are reported from the model. In order to obtain a more continuous target tracking, mainly while driving in curves, observations made only by single sensors are also considered. However, these measurements have lower level of confidence than the associated targets. Therefore these measurements first have to be validated for a certain period of time before they are approved.</p><p>Test runs indicate that the target tracking works as intended. One major difficulty has been to separate stationary targets from slow moving ones, especially in low speeds. This is due to the fact that the sensors’ speed measurements are fairly inaccurate. Therefore a stationary target could be reported as a slow moving one.</p>

Fokus idag ligger på självkörande fordon, fler och fler inom fordonsindustrin utvecklar och forskar inom ämnet. En bit av ämnet är adaptiv farthållare som används för att undvika och minska kollisioner mellan objekt under kolonnkörning. Detta utförs genom att beräkna sträckor upp till 250 m med en distanssensor för långa avstånd och reglera gasreglaget och bromssystemet. Sensorerna kommer att vara grunden till detta arbete. Rapporten tar upp två typer av sensorer som klarar av att mäta längre sträckor, radarsensor som använder sig av radiovågor och lidarsensor som använder laserstråle. Litteraturstudie över befintlig forskning inom ämnet påvisar att olikheter mellan sensorerna finns och de har sina för- och nackdelar. Det som skiljer dem åt är upplösning av objektet och väderförhållanden, vilket kan vara avgörande vilket resultat man strävar efter. För att få reda på vad marknaden har att erbjuda utfördes en jämförande studie. Där ett fåtal sensorer valdes ut för att jämföras och presenteras. I blockschemat visas en skillnad i uppbyggnad av systemet, då det gäller mellan sensorerna radar och lidar. Skillnaderna är på komponentnivå eftersom de använder sig av olika tekniker. Ett övergripande blockschema över systemet presenteras och ett förslag på en arkitektur läggs fram med ett mer specifikt blockschema. / The focus today is on self-driving vehicles, more and more in the automotive industry are developing and researching the subject. One piece of the subject is adaptive cruise control that is used to avoid and reduce collisions between objects during convoy driving. This is accomplished by calculating distances up to 250m with a long-distance sensor and adjusting the throttle and braking system. The report addresses two types of sensors capable of measuring longer distances, radar sensors using radio waves and lidar sensors using lasers. The sensors will be the basis for this work. A literature review of existing research in the subject shows that differences between the sensors exist and that they have their advantages and disadvantages. Where the sensors differentiate them is the resolution of the object and the weather conditions, which can determine which result you are aiming for. In order to find out what the market has to offer, a comparative study was conducted. Where a few sensors were selected for comparison and presentation. Where the block diagram indicates that there are differences between radar and lidar of the system structure. The differences are at the component level because they use different techniques. An overall block diagram of the system is presented and a proposal for an architecture is presented with a more specific block diagram.

Autonomous Driving Systems (ADS), a subcategory of Cyber-Physical Systems (CPS) are becoming increasingly popular with ubiquitous deployment. They provide advanced operational functions for perception and control, but this also raises the question of their safety capability. Such questions include if the vehicle can stay within its lane, keep a safe distance from the leading vehicle, or avoid obstacles, especially under the presence of uncertainties. In this master thesis, the operational safety of ADS will be addressed, more specifically on the Adaptive Cruise Control (ACC) system by modeling an optimal control problem based on Control Barrier Function (CBF) unified with Model Predictive Control (MPC). The corresponding optimal control problem is robust against measurement uncertainties for an Autonomous Vehicle (AV) driving on a highway, where the measurement uncertainties will represent the common faults in the perception system of the AV. A Kalman Filter (KF) is also added to the system to investigate the performance difference. The resulting framework is implemented and evaluated on a simulation scenario created in the open-source autonomous driving simulator CARLA. Simulations show that MPC-CBF is indeed robust against measurement uncertainties for well-selected horizon and slack variable values. The simulations also show that adding a KF improves the overall performance. The higher the horizon, the more confident the system becomes as the distance to the leading vehicle decreases. However, this may cause infeasibility where there are no solutions to the optimal control problem during sudden braking as the AV cannot brake fast enough before it crashes. Meanwhile, the smaller the slack variable, the more restrictive becomes CBF where it impacts more on the control input than desired which could also cause infeasibility. The results of this thesis will help to facilitate safety-critical CPS development to be deployed in real-world applications. / Autonoma körsystem (ADS), som är en del av cyberfysiska system (CPS), har blivit alltmer populär med allestädes närvarande användning. Det bidra med avancerade operativa funktioner för perception och styrning, men samtidig väcker detta också frågan om dess säkerhetsförmåga. Sådana frågor inkluderar om fordonet kan hålla sig inom sitt körfält, om det kan hålla ett säkert avstånd till det ledande fordonet eller om det kan undvika hinder, speciellt under osäkerheter hos systemet. I detta examensarbete kommer driftsäkerheten hos ADS att behandlas, mer specifik på adaptiv farthållare (ACC) genom att modellera ett optimalt kontrollproblem baserat på kontrollbarriärfunktion (CBF) förenat med modellförutsägande styrning (MPC). Motsvarande optimalt kontrollproblem är robust mot mätosäkerheter för ett autonomt fordon som kör på en motorväg, där mätosäkerheterna representerar vanliga fel i AV:s perceptionssystem. Ett Kalmanfilter (KF) läggs också till i systemet för att undersöka skillnaden i prestanda. Det resulterande ramverket implementeras och utvärderas på ett simuleringsscenario som skapats i den öppna källkodssimulatorn för autonom körning CARLA. Simulationer visar att MPC-CBF är robust mot mätosäkerheter för väl valda värden för horisont och slackvariabler. Det visar också att systemets prestanda förbättrats ännu mer om ett KF läggs till. Ju större horisont, desto mer självsäkert blir systemet när avståndet till det ledande fordonet minskar. Detta kan dock leda till att det inte finns några lösningar på det optimala kontrollproblemet vid plötslig inbromsning, eftersom fordonet inte hinner bromsa tillräckligt snabbt innan det kraschar. Ju mindre slackvariabeln är, desto mer restriktiv blir CBF som påverkar styrningen mer än vad som är önskvärt vilket också kan leda till olösbart optimalt kontrollproblem. Resultatet från detta examensarbete bär syftet att gynna utvecklingen av säkerhetkritisk CPS som ska användas i praktiska tillämpningar.

Vehicular ad hoc networks (VANETs) are a hot topic in the intelligent transport system (ITS) area. The introduction of wireless communications between vehicles will enable many useful applications to enhance road traffic safety as well to increase efficiency. The standardization of IEEE 802.11p, being an amendment to IEEE 802.11 intended for VANETS, faces many challenges. In Europe a 30 MHz spectrum at 5.9 GHz have been dedicated for ITS and this spectrum has to be used to its full potential. For this reason this thesis compares a 20 MHz wide frequency channel with a 10 MHz wide through measurements using 802.11p hardware. The measurements were conducted on a highway with relative speeds of up to 240 km/h. The results from these initial measurements show that a 20 MHz channel does not perform worse than a 10 MHz channel despite the high relative speeds and large metal signs scattering the signals. What enabled this thesis to do the measurements was Halmstad University‟s participation in the Grand Cooperative Driving Challenge (GCDC) 2011. In GCDC nine teams mostly from Europe competed in having the vehicle that had the best behaviour in a platoon of vehicles using cooperative adaptive cruise control (CACC), the CACC algorithm controlled the vehicles‟ acceleration and breaking autonomously based on in-vehicle sensors and communicated messages between the vehicles in the platoon using 802.11p. This thesis implemented the communication part of Halmstad University‟s vehicle. The challenge was held in Helmond, Holland, May 14-15, 2011. Halmstad University‟s team finished in second place. / CoAct