23% of passenger vehicle occupant deaths in 2019 was side-impact collisions and is a ongoing problem that continues to take people’s lives (IIHS, 2021a). IIHS (Insurance Institute for Highway Safety) is an organization based in USA, which performs vehicle crash tests with the goal of making cars safer and reducing deaths and injuries. In 2023, a new, tougher side crash test will be introduced by IIHS in the USA to tackle those crashes and save lives. The goal for IIHS with their vehicle tests is to urge the car manufacturers to make safer vehicles. Manufacturers in the automotive industry knows that the customers are using the ratings as a guide before buying a vehicle, which forces them to adapt the vehicles to pass the tests and have a good rating. In early crash tests with the updated side crash test, a lot of vehicles from a selection of different manufacturers struggled to pass the test requirements and it seems like the new test requires change of component strength and design.  This is a master thesis project in Industrial Design Engineering with the focus on Product Design, at Luleå University of Technology (LTU), and has been performed on behalf of Gestamp HardTech at their R&D department in Luleå, Sweden. The early parts project focused on finding which car components has the largest influence of the crash result, where the components might need to be reinforced or having less strength.  To help simulating the side crash, full vehicle side-impact crash simulations were used in this project with a virtual reference FEM car made by Gestamp, GLAB G3 EV. This project has been using the CDIO-design process, which stands for Conceive, Design, Implement and Operate.  In the first phase, Conceive, simulations were made and the current IIHS side crash test was compared with the new IIHS test. The left-side side-impact beams was chosen as the components to trying to improve in the project. Creative methods in the Design-phase were generated ideas, which was 3D CAD modeled in CATIA V5 and tested with three-point bending simulations in LS-DYNA.  The three-point bending simulations were analyzed and the best performing designs were chosen, to later be simulated with full vehicle side-impact crash simulations in the Implement-phase. The results from these simulations were used to develop ten different concepts of combinations of left-front and left-rear side-impact beams and ten final full vehicle simulations were conducted and analyzed on factors such as door intrusion, component weight and more. From these concepts, the two final concepts were selected with the use of the Pugh Decision Matrix, and these two concepts had the highest rating score from this matrix. These two concepts, Final Concept and Alternative Concept, are the final results of the project. Each concept has a combination of a left-front side-impact beam and a left-rear side-impact beam. The two final concepts are reducing the side crash intrusion on the side-impact beams compared to the reference simulations conducted with the new IIHS side crash test. The Final Concept were the best concept in the results from the matrix and is reducing the total side crash intrusion on the left-side of the car by 161 mm compared to the reference simulations The reason why an Alternative Concept to the Final Concept was selected was because it has very different design and thickness compared to the Final Concept, and even though it only has 94 mm total side crash intrusion  reduction on the left-side of the car compared to the reference simulation, it was looked on a potential alternative to the Final Concept with further work and development applied to it. / 23% av dödsfallen i passagerarfordon under 2019 var sidokrockar och är ett pågående problem som fortsätter att ta människors liv (IIHS, 2021a). IIHS (Insurance Institute for Highway Safety) är en organisation som är baserad i USA som utför fordonskrocktester med målet att göra bilar säkrare och minska dödsfall och skador. 2023 kommer ett nytt, tuffare sidokrocktest att introduceras av IIHS i USA för att tackla dessa krascher med målet att rädda fler liv. Målet för IIHS med sina fordonstester är att uppmana biltillverkarna att göra säkrare fordon. Tillverkare inom fordonsindustrin vet att kunderna använder betygen som vägledning innan de köper ett fordon, vilket tvingar dem att anpassa bilarna för att klara testerna och få ett bra testbetyg. I tidiga krocktester med det uppdaterade IIHS sidokrocktestet hade många bilar från ett flertal biltillverkare för att klara testkraven och det verkar som om det nya testet kräver förändring av styrka och design i bilens komponenter. Detta är ett examensarbete i Civilingenjör Teknisk Design med inriktning på produkt design vid Luleå Tekniska Universitet (LTU), och har utförts på uppdrag av Gestamp HardTech vid deras FoU-avdelning i Luleå, Sverige. Början av projektet fokuserade på att hitta vilka bilkomponenter som har störst inverkan på krockresultatet, ta reda på var komponenterna kan behöva förstärkas eller ha mindre styrka. För att hjälpa till att simulera sidokrocken användes helbilssidokrocksimuleringar i detta projekt med hjälp av en virtuell FEM-bil tillverkad av Gestamp, GLAB G3 EV. Detta projekt har använt CDIO-designprocessen, som står för Conceive, Design, Implement och Operate. I den första fasen, Conceive, gjordes simuleringar och det nuvarande IIHS sidokrocktestet jämfördes med det nya IIHS testet. De två sidokrock-skydden på vänstra sidan av bilen valdes som komponenter att försöka förbättra i projektet. Kreativa metoder i Design-fasen genererade idéer, som 3D CAD modellerades i CATIA V5 och testades med trepunktsböjnings-simuleringar i LS-DYNA. Trepunktsböjningssimuleringarna analyserades och de bästa presterande designerna valdes ut, för att senare simuleras med helbilssidokrock-simuleringar i Implement-fasen. Resultaten från dessa simuleringar användes för att utveckla tio olika koncept av kombinationer av sidokrockskydd till vänster fram och vänster bak av bilen och tio slutliga helbilssidokrock-simuleringarna genomfördes och analyserades på faktorer som intryckningen i dörrarna, komponenternas vikt med mera. Från dessa koncept valdes de två slutliga koncepten ut med hjälp av Pughs beslutsmatris, och dessa två koncept hade det högsta betyget från denna matris. Dessa två koncept, Final Concept och Alternative Concept, är projektets slutresultat. Varje koncept har en kombination av ett sidokrockskydd på vänster-fram och ett sidokrockskydd på vänster-bak. De två slutgiltiga koncepten minskar dörrintrånget på sidokrockskydden jämfört med referenssimuleringarna som genomfördes med det nya IIHS sidokrock-testet. Final Concept var det bästa konceptet i resultaten från matrisen och minskar det totala sidokrockintrånget på bilens vänstra sida med 161 mm jämfört med referenssimuleringarna. Anledningen till att ett alternativt koncept till det slutgiltiga konceptet valdes var eftersom den har väldigt olika design och tjocklek jämfört med det slutliga konceptet, och även om den bara har 94 mm total reduktion av sidokrockintrång på vänster sida av bilen jämfört med referenssimuleringen, såg man detta koncept som ett potentiellt alternativ till Final Concept med fortsatt arbete och utveckling tillämpat på detta koncept.

Driving is one of the most common and preferred forms of transport used in our actual society. However, according to studies, it is also one of the most dangerous. One solution to increase safety on the road is applying technology to automate and prevent avoidable human errors. Nevertheless, despite the efforts to obtain reliable systems, we have yet to find a reliable and safe enough solution for solving autonomous driving. One of the reasons is that many drives are done in conditions far from the ideal, with variable lighting conditions and fast-paced, unpredictable environments. This project develops and evaluates an algorithm that takes the input of dynamic vision sensors (DVS) and runs on neuromorphic spiking neural networks (SNN) to obtain a robust road lane tracking system. We present quantitative and qualitative metrics that evaluate the performance of lane recognition in low light conditions against conventional algorithms. This project is motivated by the main advantages of neuromorphic vision sensors: recognizing a high dynamic range and allowing a high-speed image capture. Another improvement of this system is the computational speed and power efficiency that characterize neuromorphic hardware based on spiking neural networks. The results obtained show a similar accuracy of this new algorithm compared to previous implementations on conventional hardware platforms. Most importantly, it accomplishes the proposed task with lower latency and computing power requirements than previous algorithms. / Att köra bil är ett av de vanligaste och mest populära transportsätten i vårt samhälle. Enligt forskningen är det också ett av de farligaste. En lösning för att öka säkerheten på vägarna är att med teknikens hjälp automatisera bilkörningen och på så sätt förebygga misstag som beror på den mänskliga faktorn. Trots ansträngningarna för att få fram tillförlitliga system har man dock ännu inte hittat en tillräckligt tillförlitlig och säker lösning för självkörande bilar. En av orsakerna till det är att många körningar sker under förhållanden som är långt ifrån idealiska, med varierande ljusförhållanden och oförutsägbara miljöer i höga hastigheter. I det här projektet utvecklar och utvärderar vi en algoritm som tar emot indata från dynamiska synsensorer (Dynamic Vision Sensors, DVS) och kör datan på neuromorfiska pulserande neuronnät (Spiking Neural Networks, SNN) för att skapa ett robust system för att läsa av vägbanan. Vi presenterar en kvantitativ och kvalitativ utvärdering av hur väl systemet läser av körbanans linjer i svagt ljus, och jämför därefter resultaten med dem för tidigare algoritmer. Detta projekt motiveras av de viktigaste fördelarna med neuromorfiska synsensorer: brett dynamiskt omfång och hög bildtagningshastighet. En annan fördel hos detta system är den korta beräkningstiden och den energieffektivitet som kännetecknar neuromorfisk hårdvara baserad på pulserande neuronnät. De resultat som erhållits visar att den nya algoritmen har en liknande noggrannhet som tidigare algoritmer på traditionella hårdvaruplattformar. I jämförelse med den traditionella tekniken, utför algoritmen i den föreliggande studien sin uppgift med kortare latenstid och lägre krav på processorkraft. / La conducción es una de las formas de transporte más comunes y preferidas en la actualidad. Sin embargo, diferentes estudios muestran que también es una de las más peligrosas. Una solución para aumentar la seguridad en la carretera es aplicar la tecnología para automatizar y prevenir los evitables errores humanos. No obstante, a pesar de los esfuerzos por conseguir sistemas fiables, todavía no hemos encontrado una solución suficientemente fiable y segura para resolver este reto. Una de las razones es el entorno de la conducción, en situaciones que distan mucho de las ideales, con condiciones de iluminación variables y entornos rápidos e imprevisibles. Este proyecto desarrolla y evalúa un algoritmo que toma la entrada de sensores de visión dinámicos (DVS) y ejecuta su computación en redes neuronales neuromórficas (SNN) para obtener un sistema robusto de seguimiento de carriles en carretera. Presentamos métricas cuantitativas y cualitativas que evalúan el rendimiento del reconocimiento de carriles en condiciones de poca luz, frente a algoritmos convencionales. Este proyecto está motivado por la validación de las ventajas de los sensores de visión neuromórficos: el reconocimiento de un alto rango dinámico y la captura de imágenes de alta velocidad. Otra de las mejoras que se espera de este sistema es la velocidad de procesamiento y la eficiencia energética que caracterizan al hardware neuromórfico basado en redes neuronales de impulsos. Los resultados obtenidos muestran una precisión similar entre el nuevo algoritmo en comparación con implementaciones anteriores en plataformas convencionales. Y lo que es más importante, realiza la tarea propuesta con menor latencia y requisitos de potencia de cálculo.