The upcoming level 3 generation of self-driving vehicles will be characterized by the freedom of not having the driver’s hands on the steering wheel. This acquired freedom is posing new challenges on the traditional passenger comfort paradigm as the drivers will spend a higher amount of time doing non-driving tasks (NDRT). Certain constraints must be imposed as the level 3 generation systems will not be able to drive all the time without active feedback from the user. The driver needs to stay active enough to do takeover in a situation where it is needed to. What effect will different NDRT have on the behavior of a driver in a self-driving car? In our low fidelity driving simulator, we tested different simple actions (e.g. playing a simple 2D game). We then evaluated them based on their accident avoidance and situation awareness in the post-transition period. The results show a significant difference between the reaction speeds of the drivers before and after an active task.

This thesis describes the mechanical design of a prototype vehicle developed for a company located in California. The project was based on an earlier vehicle located at KTH, Transport Labs, and investigated if the existing concept for the vehicle would work as a concept for an autonomous prototype, with focus on component layout and increased forces. The design of the vehicle is based on a concept with a carbon fiber bottom plate, two separate suspension modules with electric hub motors and steer by wire. In addition a steering interface, seats and a roll cage is added to the base. Quadrant symmetric design and four wheel steering/drive makes the vehicle move equally good forward and reverse. The steering is controlled by individual rotating actuators mounted at each wheel, meaning that the vehicle, apart from acquiring a low turning radius also can angle the wheel in the same direction and drive with so called crab steer where the car is moving sideways without rotating itself. The brake system contains a regular manual hydraulic brake system in parallel with an autonomous brake system. The project was started by generating a list of requirements. This was then considered when doing the design in CAD (Solid Edge). The design was validated with ADAMS (MBS) and ANSYS Workbench (FEA). The majority of the project was carried out in Sweden at KTH where the driveline of the vehicle was designed and assembled. The driveline was then transported to California where the vehicle was finalized and tested. The test carried out indicated that the concept was working as a prototype but that some of the components needed to be upgraded. All tests needed was not carried out which led to that the maximum speed of the vehicle was limited to 40 km/h Further durability-, and high load tests will be carried out in order to, with suitable safety, raise the maximum speed. The maximum steering angle of each wheel acquired was 23 degrees that, with four wheel steering, means an effective steering angle of 46 degrees. The cars minimum turning radius was around 5 meters. / Detta examensarbete beskriver den mekaniska konstruktionen av ett prototypfordon för ett företag beläget i Kalifornien. Projektet utgick från ett befintligt fordon på KTH, Transport Labs och undersökte hur vida det befintliga konceptet för det fordonet fungerade för en autonom prototyp, med särskilt hänseende till komponentplacering och ökade krafter. Fordonet är konstruerad runt en bottenplatta av kolfiber, två separata hjulupphängningar med elektriska navmotorer och så kallad ”steer by wire” samt kompletteras med ett förargränssnitt, säten och rullbur. Kvadrant symmetriska design och fyrhjuls styrning/drivning gör att fordonet för sig lika bra framåt som bakåt. Styrningen sköts av en individuell roterande motor fäst vid varje hjul vilket innebär att fordonet, utöver att få en låg svängradie, även kan vinkla alla hjul åt samma håll och uppnå så kallad krabbstyrning där bilen rör sig i sidled utan att själv rotera. Bromssystemet består av ett vanligt manuellt hydrauliskt bromssystem parallell kopplat med ett autonomt aktiverat bromssystem. Projektet inleddes med generering av en kravspecifikation. Denna låg sedan som grund för konstruktionen som genomfördes i Solid Edge (CAD). Konstruktionen validerades med hjälp av ADAMS (MBS) och ANSYS Workbench (FEM). Största delen av projektet genomfördes i Sverige på KTH där drivlinan av fordonets konstruerades och monterads. Denna flögs sedan till Kalifornien där fordonet färdigställdes och testades på plats. De genomförda testerna tydde på att konceptet fungerade bra som prototyp men att vissa komponenter behövde uppgraderas. Full testning han inte genomföras vilket ledde till att den maximala hastigheten begränsades till 40 km/h. Vidare uthållighets- och höglasttester kommer genomföras för att, på ett säkert sätt, kunna öka den maximala tillåtna hastigheten. Den maximala styrvinkeln för varje hjul uppgick till 23 grader vilket, med fyrhjulningsstyrning, innebär en effektiv styrvinkel på 46 grader. Bilens minimi svängradie uppgick till cirka 5 meter.

Autonomous vehicles are regularly predicted to be on the verge of broad integration into regular traffic. A crucial aspect of successful traffic interactions is one agent’s ability to adequately understand other agents’ capabilities and limitations. Within the current state of the art concerning self-driving cars, there is a discrepancy between what people tend to believe the capabilities of self-driving cars are, and what those capabilities actually are. The aim of this study was to investigate whether people attribute the capacity of object permanence to self-driving cars roughly in the same manner as they would to a human driver. The study was conducted with online participants (N = 105). The results showed that the participants did not attribute object permanence differently between a self-driven car and a human driver. This indicates that people attribute object permanence similarly to self-driving cars as they do toward human drivers. Furthermore, the results indicate no connection between participants’ tendency to anthropomorphize and whether they attributed object permanence or not. The findings provide evidence for the issues connected to the perceptual belief problem in human-robot interaction, where people attribute capabilities to autonomous vehicles that are not there. The results highlight the importance of understanding which mechanisms underlie these attributions as well as when they happen, in order to mitigate unrealistic expectations.

Artificiell intelligens är en form av teknik som blir vanligare inom samhället. I takt med att tekniken utvecklas blir även diskussionen inom området mer utvecklad vilket resulterat i att eventuella problem och möjligheter blivit mer tillgänglig information. Det finns en avsaknad av tankar och förväntningar från privatpersoners synvinkel inom ämnet vilket kan ses som negativt då de förväntas vara en majoritet av användarbasen för tekniken. Eftersom denna typ av teknik förutspås ta över ett större ansvar av mänskliga uppgifter är det viktigt att klarlägga olika typer av tillvägagångssätt samt utvecklingsperspektiv i syfte att skapa ett hälsosamt och välfungerande AI-system till respektive områden. Studien syftar till att belysa bidragande faktorer till attityder och åsikter relaterade specifikt till AI-styrda fordon ur privatpersoners perspektiv samt hur dessa kan påverka en eventuell implementering och använder sig av en kvalitativ metod. Den data som används inom arbetet har samlats in via semistrukturerade intervjuer med personer som anmält att de vill delta i studien. Analysen genomförs baserat på innovationsspridningsteorin (IDT) och relevant tidigare forskning för att undersöka vad som påverkar användare att adoptera tekniken eller inte. Faktorer som identifierades vara påverkande för adoptionsprocessen var oro över att tekniken inte skulle fungera på ett kompatibelt sätt med mänskliga värderingar, ett krav på utförlig testning samt möjligheten till att reducera olyckor eller klimatpåverkan relaterat till trafik. Utifrån dessa faktorer härleddes förslag till implementeringsprocesser vilket bestod av expanderande statligt kontrollerad testning inom kollektivtrafiken, tydligt klarlagda strukturella regler och avgränsningar samt ett främjande av de positiva faktorer som möjliggörs av AI-styrda fordon. Detta främjande kan genomföras med en effektiv kommunikation som drar nytta av vår bristfällliga rationella beslutsprocess och använder starka känslomässiga intryck. / Artificial intelligence is a form of technology that is becoming increasingly more common within society. As the technology evolves, the discussion within the subject is also increasing which has made information about eventual problems and possibilities more public. There is a shortage of thoughts and expectations from the private individual’s point of view regarding this topic which can be a negative thing due to this group being expected to make up the majority of the technology’s user base. Because this type of technology is predicted to take on a larger responsibility of human tasks it is important to clarify different approaches and development perspectives in order to create a healthy and well-functioning AI-system within respective areas. The study intends to highlight contributing factors to attitudes and opinions specifically related to AI-controlled vehicles from the public's view as well as how these can affect an eventual implementation and is carried out with a qualitative method. The data that is used is gathered through semi-structured interviews with people that expressed interest in participating in the study. The analysis is based on the diffusion of innovations theory (IDT) and relevant earlier research in order to examine what influences users to adopt the technology or not. The factors that were identified to be affecting this process were worry that the technology would not work in a compatible way with human values, a demand for extensive testing as well as the possibility to reduce accidents or the affect on climate related to traffic. Several suggestions for implementation were derived from these factors which consisted of continuous expanded testing within public transport regulated by the state, clear structural rules and limitations as well as a promotion of the positive factors made possible by AI-controlled vehicles. This promotion can be done through effective communication which takes advantage of our flawed rational decision making and uses strong emotional impressions.

No description available.

Det här arbetet har undersökt hur mycket end-to-end delay, packet reception ratio och throughput påverkas av antal bilar, bilars hastighet samt avståndet mellan bilar i en simulerad miljö när standarden IEEE 802.11p och LTE-V2X används för kommunikation. Båda teknologierna använder det licensierade Intelligent Transport System-bandet på 5,9 GHz. För att simulera IEEE 802.11p användes ramverket Veins som kombinerar nätverkssimulatorn OMNeT++ med trafiksimulatorn SUMO, och för LTE-V2X användes SimuLTE. Alla bilar skickade säkerhetsmeddelanden på 320 byte var 100 millisekund. I stadsområdet, korsningen och den raka vägen som studerades presterade IEEE 802.11p bättre än LTE-V2X. Kommunikation med LTE-V2X visade sig vara mycket känsligare för förändringar än när IEEE 802.11p används. När antalet bilar blev fler ändrades delayen betydligt mer för LTE-V2X än IEEE 802.11p. Delayen var nära 0,12 millisekunder i alla tester när IEEE 802.11p användes, medan LTE-V2X varierade från 14 millisekunder till 10 sekunder. Antalet mottagna paket var också mycket högre för IEEE 802.11p än LTE-V2X. Medan packet reception ratio var nära 100% i alla test då IEEE 802.11p användes var LTE-V2X under 50% i de flesta fall. / This study has evaluated the impact on the end-to-end delay, packet reception ratio and throughput of vehicle density, vehicles speed and the distance between vehicles in a simulated environment, where the vehicles were communicating with the standards IEEE 802.11p and LTEV2X. Both technologies operate in the licensed Intelligent Transport System band of 5.9 GHz. The network simulator OMNeT++ was combined with the traffic simulator SUMO to build the V2X simulator. The framework Veins was used to simulate IEEE 802.11p and SimuLTE was used to simulate LTE-V2X. All vehicles sent out safety messages of 320 byte at a rate of 10 Hz, i.e., every 100 milliseconds. In the urban area, intersection and straight road that were studied, IEEE 802.11p performed better than LTE-V2X. It was shown that LTE-V2X is far more sensitive to changes than IEEE 802.11p. When the density got higher the end-to-end delay was changed significantly more for LTE-V2X than IEEE 802.11p. End-to-end delay was near 0.12 milliseconds in all tests when IEEE 802.11p was used, while LTE-V2X ranged from 14 milliseconds to 10 seconds. Packet reception ratio was much higher for IEEE 802.11p than LTE-V2X. While it was near 100% when IEEE 802.11p was used in all tests, LTE-V2X showed a packet reception ratio less than 50% in most cases.

The field of machine learning currently draws massive attention due to ad- vancements and successful applications announced in the last few years. One of these applications is self-driving vehicles. A machine learning model can learn to drive through behavior cloning. Behavior cloning uses an expert’s behavioral traces as training data. However, the model’s steering predictions influence the succeeding input to the model and thus the model’s input data will vary depending on earlier predictions. Eventually the vehicle may de- viate from the expert’s behavioral traces and fail due to encountering data it has not been trained on. This is the problem of sequential predictions. DAG- GER and its improvement SafeDAGGER are algorithms that enable training models in the sequential prediction domain. Both algorithms iteratively col- lect new data, aggregate new and old data and retrain models on all data to avoid catastrophically forgetting previous knowledge. The aggregation of data leads to problems with increasing model training times, memory requirements and requires that previous data is maintained forever. This thesis’s purpose is investigate whether or not SafeDAGGER can be improved with continual learning to create a more scalable and flexible algorithm. This thesis presents an improved algorithm called EWC-SD that uses the continual learning algo- rithm EWC to protect a model’s previous knowledge and thereby only train on new data. Training only on new data allows EWC-SD to have lower training times, memory requirements and avoid storing old data forever compared to the original SafeDAGGER. The different algorithms are evaluated in the con- text of self-driving vehicles on three tracks in the VBS3 simulator. The results show EWC-SD when trained on new data only does not reach the performance of SafeDAGGER. Adding a rehearsal buffer containing only 23 training exam- ples to EWC-SD allows it to outperform SafeDAGGER by reaching the same performance in half as many iterations. The conclusion is that EWC-SD with rehearsal solves the problems of increasing model training times, memory re- quirements and requiring access to all previous data imposed by data aggre- gation. / Fältet för maskininlärning drar för närvarande massiv uppmärksamhet på grund av framsteg och framgångsrika applikationer som meddelats under de senaste åren. En av dessa applikationer är självkörande fordon. En maskininlärningsmodell kan lära sig att köra ett fordon genom beteendekloning. Beteendekloning använder en experts beteendespår som träningsdata. En modells styrförutsägelser påverkar emellertid efterföljande indata till modellen och således varierar modellens indata utifrån tidigare förutsägelser. Så småningom kan fordonet avvika från expertens beteendespår och misslyckas på grund av att modellen stöter på indata som den inte har tränats på. Det här är problemet med sekventiella förutsägelser. DAGGER och dess förbättring SafeDAGGER är algoritmer som möjliggör att träna modeller i domänen sekventiella förutsägelser. Båda algoritmerna samlar iterativt nya data, aggregerar nya och gamla data och tränar om modeller på alla data för att undvika att katastrofalt glömma tidigare kunskaper. Aggregeringen av data leder till problem med ökande träningstider, ökande minneskrav och kräver att man behåller åtkomst till all tidigare data för alltid. Avhandlingens syfte är att undersöka om SafeDAGGER kan förbättras med stegvis inlärning för att skapa en mer skalbar och flexibel algoritm. Avhandlingen presenterar en förbättrad algoritm som heter EWC-SD, som använder stegvis inlärningsalgoritmen EWC för att skydda en modells tidigare kunskaper och därigenom enbart träna på nya data. Att endast träna på nya data gör det möjligt för EWC-SD att ha lägre träningstider, ökande minneskrav och undvika att lagra gamla data för evigt jämfört med den ursprungliga SafeDAGGER. De olika algoritmerna utvärderas i kontexten självkörande fordon på tre banor i VBS3-simulatorn. Resultaten visar att EWC-SD tränad enbart på nya data inte uppnår prestanda likvärdig SafeDAGGER. Ifall en lägger till en repeteringsbuffert som innehåller enbart 23 träningsexemplar till EWC-SD kan den överträffa SafeDAGGER genom att uppnå likvärdig prestanda i hälften så många iterationer. Slutsatsen är att EWC-SD med repeteringsbuffert löser problemen med ökande träningstider, ökande minneskrav samt kravet att alla tidigare data ständigt är tillgängliga som påtvingas av dataaggregering.

Background. This research centers on tackling the serious global problem of trafficaccidents. With more than a million deaths each year and numerous injuries, it’svital to predict and prevent these accidents. By combining satellite images and dataon accidents, this study uses a mix of advanced learning methods to build a modelthat can foresee accidents. This model aims to improve how accurately we predictaccidents and understand what causes them. Ultimately, this could lead to betterroad safety, smoother maintenance, and even benefits for self-driving cars and insurance. Objective.The objective of this thesis is to create a predictive model that improvesthe accuracy of traffic accident severity forecasts by integrating satellite imagery andhistorical accident data and comparing this model with stand-alone data models.Through this hybrid approach, the aim is to enhance prediction precision and gaindeeper insights into the underlying factors contributing to accidents, thereby potentially aiding in the reduction of accidents and their resulting impact. Method.The proposed method involves doing a literature review to find currentimage recognition models and then experimentation by training a Logistic Regression, Random Forest, SVM classifier, VGG19, and the hybrid model using the CNNand VGG19 and then comparing their performance using metrics mentioned in thethesis work. Results.The performance of the proposed method is evaluated using various metrics, including precision, recall, F1 score, and confusion matrix, on a large datasetof labeled images. The results indicate that a high accuracy of 81.7% is achieved indetecting traffic accident severity through our proposed approach where the modelbuilt on individual structural data and image data got an accuracy of 58.4% and72.5%. The potential utilization of our proposed method can detect safe and dangerous locations for accidents. Conclusion.The predictive modeling of Traffic accidents are performed using thethree different types of datasets which are structural data, satellite images, and acombination of both. The finalized architectures are an SVM classifier, VGG19, anda hybrid input model using CNN and VGG19. These models are compared in orderto find the best-performing approach. The results indicate that our hybrid modelhas the best accuracy with 81.7% indicating a strong performance by the model.

Syftet med denna studie är att undersökavilket användargränssnitt som potentiella användare föredrar för att utbyta trafikrelateradinformation. Forskningsfrågan som ska besvaras är följande. Vilket användargränssnittföredras för kommunikation i ett självkörande fordon? Genom att läsa denna studie fårläsaren en fördjupad insikt för hur föredragna användargränssnitt kan öka acceptansen hospotentiella användare. En kvantitativ metod användes för att genomföra enstickprovsundersökning med hjälp av en webbaserad enkät som distribuerades på olika sättsom Facebook, Linkedin, m.m, för att besvara studiens syfte. Den empiriskadatainsamlingen resulterade i 201 insamlade svar. Resultatet visade att 41,3 % avrespondenterna föredrog skärmgränssnitt och 35,3% föredrog ett multimodalt gränssnitt föratt integrera med ett självkörande fordon. Sammanlagt 84,1% av respondenterna besvaradeatt användningen av det önskade gränssnittet skulle öka effektiviteten ochkommunikationen vid utbyte av information med fordonet. Slutsatsen är att valet avanvändargränssnitt kan påverkas av olika faktorer, såsom erfarenheter och teknologiskaförväntningar. Framtida utveckling av gränssnitt och teknologier bör sträva efter attinkludera en mångfald av alternativ för att tillgodose användarnas behov och preferensernär det gäller att kommunicera med fordon. / Syftet med denna studie är att undersöka vilket användargränssnitt som potentiella användare föredrar för att utbyta trafikrelaterad information. Forskningsfrågan som ska besvaras är följande. Vilket användargränssnitt föredras för kommunikation i ett självkörande fordon? Genom att läsa denna studie får läsaren en fördjupad insikt för hur föredragna användargränssnitt kan öka acceptansen hos potentiella användare. En kvantitativ metod användes för att genomföra en stickprovsundersökning med hjälp av en webbaserad enkät som distribuerades på olika sätt som Facebook, Linkedin, m.m, för att besvara studiens syfte. Den empiriska datainsamlingen resulterade i 201 insamlade svar. Resultatet visade att 41,3 % av respondenterna föredrog skärmgränssnitt och 35,3% föredrog ett multimodalt gränssnitt för att integrera med ett självkörande fordon. Sammanlagt 84,1% av respondenterna besvarade att användningen av det önskade gränssnittet skulle öka effektiviteten och kommunikationen vid utbyte av information med fordonet. Slutsatsen är att valet av användargränssnitt kan påverkas av olika faktorer, såsom erfarenheter och teknologiska förväntningar. Framtida utveckling av gränssnitt och teknologier bör sträva efter att inkludera en mångfald av alternativ för att tillgodose användarnas behov och preferenser när det gäller att kommunicera med fordon.

These days most of the research related to autonomous vehicle technology focuses on vehicle technology itself and lesser on road infrastructure, including geometric design. This research project aims to lower the deficiency of research works required to make the optimized geometric road design for autonomous vehicle sustainable. In geometric design, significant concerns are designing the road geometrics such as lane width, the radius of horizontal curves, sag vertical curves and crest vertical curves, extra widening, setback distance, and intersection, making the road safer for the vehicles to travel comfortably.Road geometrics is widely designed using the stopping sight distance model, which provides sufficient time to avoid accidents and is efficient. Here in the research work, the stopping sight design model is used for autonomous vehicle technology. At first, the art of autonomous vehicle technology is studied, and a significant difference between autonomous vehicle technology and human-driven vehicle to apply stopping sight distance model is figured out. A literature study is also done for the geometric design of the road for the vehicle with the human driver and autonomous vehicle. The AASHTO model derived for the human-driven vehicle is used and modified for the autonomous vehicle, which gives the optimized geometric design for the autonomous vehicle. The Optimized geometric design parameter is designed individually in AutoCAD Civil 3D. Two road designs follow this in a random rural topography consisting of a normal road design for the vehicle with the human driver and a fully autonomous vehicle. Finally, the sustainability of optimized geometric design compared to road design for the human-driven vehicle is checked in terms of earthwork, pavement surface areas, and pavement materials volume. The result shows that the optimization of a geometric road design for autonomous vehicles is sustainable and extensive research is required.