Global ETD Search

1	Faktorer för användningen av automatiserade fordon / Factors for the use of automated vehicles Westerlind, Rickard, Langelaar, Joakim January 2018 (has links) Tekniska innovationer förknippas alltmer med modernt, utvecklade IT-komponenter i dagens samhällsutveckling. Detta framträder framförallt inom fordonsindustrin där självkörande/automatiserade fordon tagit ett rejält språng på den globala fordonsmarknaden. Automatiserade fordon anses av många som framtidens teknik inom områden som framförallt berör kollektivtrafik och varutransporter, men visionen om en helt automatiserad trafik lämnas inte oberörd. Men då ny, främmande teknologi även kan ses som avskräckande för gemene man - vad krävs då för att ändra på detta synsätt? Hur kan det säkerställas att tekniska innovationer såsom automatiserade fordon accepteras av allmänheten och används i praktiken? Dessa är frågor som legat till grund för föreliggande rapport som syftat till att presentera en studie som undersöker vilka faktorer som har en inverkan på användningen av automatiserade fordon. Detta har genomförts genom en omfattande litteratursökning av tidigare och aktuell forskning inom ämnet, samt intervjuer och enkätundersökningar för att ta del av synpunkter och erfarenheter från befintliga användare av automatiserad teknologi. Forskningen har resulterat i en kunskapsprodukt som utgörs av en tabell innehållandes ovan nämnda faktorer med en kort beskrivning, typ av faktor, samt en motivering till varför de bedömts till att ha en inverkan på användningen av automatiserade fordon. Tabellen har därtill kompletterats av en relationsmodell som beskriver hur faktorer samverkar och är beroende av varandra. Resultatet ska med förhoppningar kunna användas som stöd till framtida studier och forskningsprojekt, samt ge inspiration till företag och organisationer som bedriver verksamhet med koppling till automatiserade fordon och dess användning. / Technological innovations are increasingly associated with modern, developed IT-capabilities in today’s societal evolution. This is seen primarily in the automobile industry where self-driving/automated vehicles has taken a great leap on the global automobile market. Automated vehicles are considered by many to be the technology of the future which mainly involves public transport and transport of goods, but the vision of a completely automated traffic is not left untouched. But because new, foreign technology also can be seen as detrimental to people - what is then required to change this approach? How can it be ensured that technical innovations such as automated vehicles are accepted by the public and used in practice? These are issues that gave rise to the following report with a purpose to present a study that investigates which factors that has an impact on the use of automated vehicles. This has been accomplished through an extensive literature search of previous and current research of the topic, along with interviews and surveys to acquire personal opinions and experiences from existing users of automated technology. The research has eventuated in a knowledge product represented by a table of above mentioned factors including a brief description, type of factor, and a justification to as why they have been assessed as having an impact on the use of automated vehicles. Furthermore, the table has been supplemented with a relational model that describes how factors interact and depend on each other. Hopefully, the result can be used as support for future studies and research projects, as well as inspire companies and organizations engaged in automated vehicles and their use. Selfdriving/automated vehicles autonomous vehicles factors impact usage relational model Självkörande/automatiserade fordon autonoma fordon faktorer inverkan användning relat- ionsmodell Information Systems, Social aspects
2	Dynamic Speed Adaptation for Curves using Machine Learning / Dynamisk hastighetsanpassning för kurvor med maskininlärning Narmack, Kirilll January 2018 (has links) The vehicles of tomorrow will be more sophisticated, intelligent and safe than the vehicles of today. The future is leaning towards fully autonomous vehicles. This degree project provides a data driven solution for a speed adaptation system that can be used to compute a vehicle speed for curves, suitable for the underlying driving style of the driver, road properties and weather conditions. A speed adaptation system for curves aims to compute a vehicle speed suitable for curves that can be used in Advanced Driver Assistance Systems (ADAS) or in Autonomous Driving (AD) applications. This degree project was carried out at Volvo Car Corporation. Literature in the field of speed adaptation systems and factors affecting the vehicle speed in curves was reviewed. Naturalistic driving data was both collected by driving and extracted from Volvo's data base and further processed. A novel speed adaptation system for curves was invented, implemented and evaluated. This speed adaptation system is able to compute a vehicle speed suitable for the underlying driving style of the driver, road properties and weather conditions. Two different artificial neural networks and two mathematical models were used to compute the desired vehicle speed in curves. These methods were compared and evaluated. / Morgondagens fordon kommer att vara mer sofistikerade, intelligenta och säkra än dagens fordon. Framtiden lutar mot fullständigt autonoma fordon. Detta examensarbete tillhandahåller en datadriven lösning för ett hastighetsanpassningssystem som kan beräkna ett fordons hastighet i kurvor som är lämpligt för förarens körstil, vägens egenskaper och rådande väder. Ett hastighetsanpassningssystem för kurvor har som mål att beräkna en fordonshastighet för kurvor som kan användas i Advanced Driver Assistance Systems (ADAS) eller Autonomous Driving (AD) applikationer. Detta examensarbete utfördes på Volvo Car Corporation. Litteratur kring hastighetsanpassningssystem samt faktorer som påverkar ett fordons hastighet i kurvor studerades. Naturalistisk bilkörningsdata samlades genom att köra bil samt extraherades från Volvos databas och bearbetades. Ett nytt hastighetsanpassningssystem uppfanns, implementerades samt utvärderades. Hastighetsanpassningssystemet visade sig vara kapabelt till att beräkna en lämplig fordonshastighet för förarens körstil under rådande väderförhållanden och vägens egenskaper. Två olika artificiella neuronnätverk samt två matematiska modeller användes för att beräkna fordonets hastighet. Dessa metoder jämfördes och utvärderades. Machine Learning Artificial Intelligence MachineLearning Machine-Learning AI ML MLP Neural Networks Multilayer-Perceptron RFB RBF-Network Vehicle Automation AutonomousVehicles Autonomous SelfDriving Self-Driving Self Driving Curve Speed Adaptation Adaption CSA ACC Adaptive Cruise Control Driving Style Driver Behavior Behaviour Sample Samples Distance Derivative Speed Velocity Curvature Road Inclination Lane Width Type Acceleration Longitudinal Lateral Data Training Test Validation Results Discussion Sustainability Ethics Ethical Sustainable Future Today Tomorrow Yesterday Robot Robotics System Systems Class Classes Bin Bins Tree One A Dynamic Using Time Delay Volvo Car Cars Corporation Zenuity School Computer Science Master Degree Project Thesis Paper Object GPS Map Length Research Advanced Машинное Обучение Искусственный Интеллект AI ML MLP RBF Автомобиль Машына Сеть Робот Водитель Заворот Дорога Сам Сама Едет Ехать Учить Учит Учится Автоматизация Адаптация Результат Один Одна Одно Вчера Сегодня Завтра Дерево Карта ГПС Информатика Компьютер Наука Научная Работа Школа Вольво Завод Транспорт Maskininlärning Artificiell Intelligens Inlärning Maskin AI ML MLP RBF Neural Neurala Nätverk Artificiella Automation Själv Självkörande Körande Bil Fordon Robot Robotik Körstil Stil Beteende Adaption Kurva Lutning Väg CSA ACC Farthållare Hastighet Fart Hållare Inclination Körfält Fält Spår Bredd Typ Acceleration Longitudinell Lateral Data Traingin Test Validation Resultat Diskussion Längd Hållbarhet Etik Etiskt Framtid Dåtid Idag Imorgon System Class Klass Classer Klasser Träd En Ett Fler Flera Dynamisk Använda Tid Fördröjning Tids Volvo Car Corporation Object Zenuity Skola Dator Vetenskap Forkning Avancerad Projekt Exjobb Examensarbete Betyg GPS Karta Computer Sciences Datavetenskap (datalogi)

Search results

Faktorer för användningen av automatiserade fordon / Factors for the use of automated vehicles

Dynamic Speed Adaptation for Curves using Machine Learning / Dynamisk hastighetsanpassning för kurvor med maskininlärning