Artificiell intelligens (AI) har integrerats i stor uträckning, framförallt inom bilindustrin där autonoma bilar blir allt vanligare. Då allt fler bilar får autonoma funktioner förändras bilförarnas tidiga roll. Förare går från att manuellt manövrera bilen till att övervaka så att de autonoma funktionerna fungerar. Då förarens roll förändras tillkommer utmaningar kring förarnas upplevelser för autonoma funktioner. Syftet med studien är att identifiera dessa utmaningar vilket leder till frågeställningen: Vilka utmaningar innebär design av initiativskifte i autonoma bilar i förhållande till upplevt förtroende? För att skapa förståelse har en kvalitativ studie genomförts där en designetnografiskt ansats legat till grund för den presenterade illustrationen. Deltagarna i studien har varit personer som äger en bil med autonoma funktioner. Studien bidrar med kunskap om hur upplevt förtroende i relation till det initiativskifte som sker i autonoma bilar vilket presenteras i en illustration. I slutsatsen reflekteras samhälleliga och etiska utmaningar vad gäller designande av autonoma bilar / Artificial intelligence (AI) has been widely integrated, especially in the automotive industry where autonomous cars are becoming more common. As more and more cars get autonomous functions, the drivers' previous role changes. Drivers go from manually operating the car to monitoring it, so that the autonomous functions work. As the driver's role changes, challenges arise for drivers' experiences for autonomous functions. The purpose of the study is to identify these challenges that lead to the question: What challenges does the design of initiative shift in autonomous cars in relation to perceived trust entail? To create understanding, a qualitative study has been conducted where a design ethnographic approach was used as the basis for the presented illustration. The participants in the study were people who own a car with autonomous functions. The study contributes with knowledge of how perceived reliance in relation to the change in initiative that takes place in autonomous cars, which is presented in an illustration. The conclusion reflects societal and ethical challenges regarding the design of autonomous cars.

Autonoma bilar är ett utav de mest efterlängtade teknologierna som hastigt utvecklas i världen idag. De autonoma bilarna har redan tillämpats på vägarna idag och kommer med stor sannolikhet att fortsätta tillämpas i framtiden med de fördelar som de tillför. Men trots alla fördelar så kan samhället fortfarande känna sig osäkert på ifall det faktiskt kan förlita sig på fullt autonoma bilar. Det gäller att människorna känner sig säkra både när de sitter i bilen och när de befinner sig i den omgivande trafiken. Studien undersöker ifall kön, ålder, tillit och vetskap har en påverkan i hur människor i det svenska samhället uppfattar säkerheten med autonoma bilar i trafiken. En kvantitativ forskningsmetod i form av ett webbaserat frågeformulär användes för att samla in data. Frågeformuläret besvarades av totalt 265 respondenter mellan åldrarna 18-50+ där 121 var män och 144 var kvinnor. Den data som samlades in analyserades sedan genom den statistiska plattformen SPSS Software. Studien rapporterade att inget samband kunde påvisas mellan kön och säkerhetsuppfattningen utav autonoma bilar och likaså för faktorn ålder. Däremot upptäcktes ett samband för både faktorerna tillit och vetskap. / Autonomous cars are one of the most anticipated technologies that are rapidly evolving in the world today. The autonomous cars have already been applied on the roads today and will most likely continue to be applied in the future with the benefits they bring. But despite all the benefits, the society can still feel insecure about whether it can actually rely on fully autonomous cars. It is important that people feel safe both when they are in the car and when they are in the surrounding traffic. The study examines whether gender, age, trust and awareness have an impact on how people in the Swedish society perceive the safety of autonomous cars in the traffic. A quantitative research method in the form of a web-based questionnaire was used to collect data. The questionnaire was answered by a total of 265 respondents between the ages of 18-50+ of which 121 were men and 144 were women. The data collected was then analyzed through the statistical platform SPSS Software. The study reported that no association could be indicated between gender and the safety perception of autonomous cars and also for the factor age. However, a correlation was discovered for both factors trust and awareness.

For safe and reliable driving, it is essential that an autonomous vehicle can accurately perceive the surrounding environment. Modern sensor technologies used for perception, such as LiDAR and RADAR, deliver a large set of 3D measurement points known as a point cloud. There is a huge need to interpret the point cloud data to detect other road users, such as vehicles and pedestrians. Many research studies have proposed image-based models for 2D object detection. This thesis takes it a step further and aims to develop a LiDAR-based 3D object detection model that operates in real-time, with emphasis on autonomous driving scenarios. We propose 3D YOLO, an extension of YOLO (You Only Look Once), which is one of the fastest state-of-the-art 2D object detectors for images. The proposed model takes point cloud data as input and outputs 3D bounding boxes with class scores in real-time. Most of the existing 3D object detectors use hand-crafted features, while our model follows the end-to-end learning fashion, which removes manual feature engineering. 3D YOLO pipeline consists of two networks: (a) Feature Learning Network, an artificial neural network that transforms the input point cloud to a new feature space; (b) 3DNet, a novel convolutional neural network architecture based on YOLO that learns the shape description of the objects. Our experiments on the KITTI dataset shows that the 3D YOLO has high accuracy and outperforms the state-of-the-art LiDAR-based models in efficiency. This makes it a suitable candidate for deployment in autonomous vehicles. / För att autonoma fordon ska ha en god uppfattning av sin omgivning används moderna sensorer som LiDAR och RADAR. Dessa genererar en stor mängd 3-dimensionella datapunkter som kallas point clouds. Inom utvecklingen av autonoma fordon finns det ett stort behov av att tolka LiDAR-data samt klassificera medtrafikanter. Ett stort antal studier har gjorts om 2D-objektdetektering som analyserar bilder för att upptäcka fordon, men vi är intresserade av 3D-objektdetektering med hjälp av endast LiDAR data. Därför introducerar vi modellen 3D YOLO, som bygger på YOLO (You Only Look Once), som är en av de snabbaste state-of-the-art modellerna inom 2D-objektdetektering för bilder. 3D YOLO tar in ett point cloud och producerar 3D lådor som markerar de olika objekten samt anger objektets kategori. Vi har tränat och evaluerat modellen med den publika träningsdatan KITTI. Våra resultat visar att 3D YOLO är snabbare än dagens state-of-the-art LiDAR-baserade modeller med en hög träffsäkerhet. Detta gör den till en god kandidat för kunna användas av autonoma fordon.