Datorstyrda maskiner som både kan styra sina egna aktiviteter och som har ett stort rörelseomfång kommer snart att dela vår fysiska miljö vilket kommer innebära en drastisk förändring för vår nuvarande mänskliga kontext. Tidigare olyckor som skett mellan mänskliga förare och automatiserade fordon kan förklaras genom en bristande förståelse för de automatiserade fordonets beteende. Det är därför viktigt att ta reda på hur människor förstår automatiserade fordons förmågor och begränsningar. SAE International, en global yrkeskår får ingenjörer verksamma inom fordonsindustrin, har definierat ett ramverk som beskriver funktionaliteten hos automatiserade fordon i 6 olika nivåer. Den rapporterade studien undersökte med utgångspunkt i detta ramverk vilken automationsgrad deltagarna antar att en självkörande buss har genom deltagarnas upplevelse av fordonet. Inom ramarna för studien färdades deltagarna en kort sträcka på en självkörande buss och besvarade en enkät om hur de ser på bussens förmågor och begränsningar både före och efter färden. Studieresultatet visade att hälften av deltagarna överskattade bussens automationsgrad. Efter att ha färdats med bussen justerade deltagarna ner sina förväntningar på fordonets körförmåga vilket stämde bättre överens med bussens förmågor och begränsningar. Deltagarna rapporterade även att de var mer säkra i sina bedömningar efter erfarenhet av fordonet. Sammanfattningsvis tyder resultatet på att (1) människor tenderar att överskatta automatiserade fordons körförmåga, men att (2) deras uppfattning justeras i samband med att de kommer i kontakt med det automatiserade fordonet i verkligheten och att (3) de då även blir mer säkra i sina bedömningar. Detta borde tas i beaktning vid utveckling av självkörande fordon för att minska risken för olyckor i trafiken.

Denna rapport ar resultatet av ett kandidatexamensarbete som avlades på KTH under våren 2018 i maskinkonstruktion. Uppdragsgivare var KTH och Skogforsk; det svenska skogsbrukets forskningsinstitut, som är finansierat av skogsnäringen och den svenska staten. Bakgrunden till projektet är de ökande kraven på ekologi och ergonomi i branchen, samt bristen på förare och operatörer. Uppgiften var att förbereda en skotare, modellXt28, för automation modellbaserat. En skotare är ett terrängfordon som används för att transportera rundvirke, stubbar och liknande. Då arbetet för att helt automatisera ett fordon är väldigt omfattande begränsades detta projekt till att fokusera på skotarens perception av omgivningen. Läsaren kommer få ta del av utformningen av en skyddande sensorenhet, anpassad för den krävande miljön. Krav för automation av fordon, val av sensorer och placering av dessa, möjliga lastfall, och infästningsmöjligheter behandlas. En utmaning under arbetets gång har varit bristen på tillgängligt tidigare liknande arbete, där kombinationen autonomi och helt odefinierat körområde behandlades. / This report is the result of a bachelor thesis completed at KTH (Royal Institute of Technology, Stockholm, Sweden) during spring 2018 in machine design. The project was executed in collaboration with KTH and Skogforsk (the Forestry Research Institute of Sweden), which is the central research body for the Swedish forestry sector, and financed jointly by the government and the members of the institute. The background of the project is the ever increasing requirements of ecology and ergonomics in the business, and the shortage of operators. The object of the project was to prepare and adapt a forwarder developed by Skogforsk (among others), Xt28, for automation. A forwarder is a forestry vehicle used for transporting logs. As the process of fully automating a vehicle is very extensive this project was limited to focusing on the forwarder's perception of the surrounding environment. The reader will take part in the development of a protective sensor unit, fitted for the demanding environment of a forwarder in Sweden. Requirements for vehicle automation, suitable sensors and placement, possible load cases, and attachment possibilities will be considered. A challenge during the project was the lack of earlier work and projects found on the same area, where self driven vehicles and operation o road were both regarded.

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.

The development of autonomous driving in recent years has been in full swing and one of the aspects that Autonomous Vehicles (AVs) should always focus on is safety. Although the corresponding technology has gradually matured, and AVs have performed well in a large number of tests, people are still uncertain whether AVs can cope with all possible situations. This world is complex and ever-changing, experiencing countless disturbances every moment, and according to The Butterfly Effect, even the most insignificant small disturbance may set off a huge storm in the near future. If AVs really enter people’s daily lives, they will inevitably encounter many unexpected situations that have never been experienced before. Thus how to ensure that AVs can handle these well has become the most important issue at the moment. It is necessary to give the Automated Driving System (ADS) sufficient challenges during training and testing for acceptable safety and stability. However, dangerous and extreme driving scenarios in the real world are very rare, and it is also very expensive for such a test to be carried out in reality. Therefore, artificially creating a series of critical driving scenarios then training and testing the ADS in a simulation environment has become the current mainstream solution. This thesis project builds a complete framework for the automatic generation, simulation, and analysis of safety-critical driving scenarios. First, the specified scenarios and features are sequentially extracted from the naturalistic driving dataset through pre-defined rules; then a Density Estimation Model is adopted to learn the features, trying to find the distribution of the specified scenarios; after the distribution is obtained, synthetic driving scenarios can be obtained by sampling. Finally, visualize these synthetic scenarios via simulation for safety assessment and data analysis. / Utvecklingen av självkörande fordon har varit i full gång de senaste åre och en av aspekterna som självkörande alltid bör fokusera på är säkerheten. Även om motsvarande teknik gradvis har mognat, och självkörande har presterat bra i ett stort antal tester, är människor fortfarande osäkra på om självkörande klarar av alla möjliga situationer. Den här världen är komplex och ständigt föränderlig, upplever otaliga störningar varje ögonblick, och enligt The Butterfly Effect kan även den mest obetydliga lilla störningen sätta igång en enorm storm inom en snar framtid. Om självkörande verkligen kommer in i människors dagliga liv kommer de oundvikligen att möta många oväntade situationer som aldrig har upplevts tidigare. Så hur man säkerställer att självkörande kan hantera dessa väl har blivit den viktigaste frågan för tillfället. Det är nödvändigt att ge självkörande tillräckliga utmaningar underträning och testning för acceptabel säkerhet och stabilitet. Men farliga och extrema körscenarier i den verkliga världen är mycket sällsynta, och det är också mycket dyrt att genomföra ett sådant test i verkligheten. Att på konstgjord väg skapa en serie kritiska körscenarier och sedan träna och testa det automatiserade körsystemet i en simuleringsmiljö har därför blivit den nuvarande vanliga lösningen. Detta examensarbete bygger ett komplett ramverk för automatisk generering, simulering och analys av säkerhetskritiska körscenarier. Först extraheras de specificerade scenarierna och funktionerna sekventiellt från den naturalistiska kördatauppsättningen genom fördefinierade regler; sedan antas en densitetsuppskattningsmodell för att lära sig funktionerna och försöka hitta fördelningen av de specificerade scenarierna; efter att fördelningen erhållits kan syntetiska körscenarier erhållas genom provtagning. Slutligen, visualisera dessa syntetiska scenarier via simulering för säkerhetsbedömning och dataanalys.

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.

A problem in self-driving vehicle (SDV) development is replacing human intuition in the diagnostic process. Some fundamental interactions between driver, service personnel, and system developer are hard to replace by onboard systems and processes. One solution to this problem is to have a staffed control tower that supports the vehicle’s decision-making. In this thesis, a decision-making process for short-term fault avoidance and uptime maximization was developed. A system architecture was proposed and implemented on the SVEA platform. By integrating the onboard system with a control tower, an increase in safe operation was achieved when the vehicle lacked knowledge. In addition, some critical interactions between SDV and control tower were tested: Diagnosis verification and plan correction. By communicating onboard data such as system warnings, symptoms, speed, and location, the vehicle could support the control tower in its decision-making. One conclusion from the thesis was that the SDV with a control tower lowered the threshold for vehicle autonomy. Also, it was shown that both vehicle safety and uptime could be considered in the route planning of SDV:s. In the future, the diagnostic and prognostic algorithms employed in the proposed architecture could be integrated with machine learning tools to update degradation models online. This could make their outputs more reliable and accurate and ultimately make the whole system more safe and reliable. / Ett problem i utvecklingen av självkörande fordon är hur man bäst ersätter den mänskliga intuitionen i diagnosprocessen. Många av nyckelinteraktionerna mellan förare, verkstadspersonal och utvecklingsingenjörer är svåra att ersätta med autonoma processer. En lösning på detta problem är att ha ett kontrolltorn som ger stöd till fordonets beslutsfattande. I det här examensarbetet föreslås en beslutsfattandeprocess för felhantering och uptime-maximering på kort sikt, under körning. En systemarkitektur utvecklades och implementerades på SVEA-plattformen. Genom att integrera systemen i fordonet med ett kontrolltorn kunde en säkrare körning säkerställas i situationer där fordonet saknade relevant kunskap. Några nyckelinteraktioner testades även: Diagnosverifikation och beslutskorrigering. Genom att kommunicera relevant data till kontrolltornet så som systemvarningar, symptom, hastighet och position kunde fordonet även stödja människan i dess beslutandeprocess. En slutsats från arbetet var att detta föreslagna system, självkörande fordon med kontrolltorn, sänkte tröskeln för autonomi i fordon. Det visades också hur både fordonets säkerhet och uptime kan användas som parametrar i ruttplanering för självkörande fordon. I framtiden skulle de framtagna diagnos och prognosalgoritmerna kunna integreras med maskininlärningsverktyg för att möjliggöra live uppdatering av bl.a. degraderingsmodeller. Detta skulle göra dem mer tillförlitliga och precisa vilket i slutändan gör systemet som helhet mer säkert och tillförlitligt.

Den tekniska utvecklingen, närmare bestämt introduktionen av fenomenet självkörande fordon, har medfört att det i skrivande stund föreligger viss oklarhet beträffande ansvarsfrågan enligt gällande rätt. Denna oklarhet har varit föremål för diskussion i ett delbetänkande från regeringen. I SOU 2016:28 finns sammanfattade förslag på reglering, däremot endast avseende försöksverksamheten ”Drive Me” som biltillverkaren Volvo ligger bakom. För att bemöta denna oklarhet har rättsläget diskuterats och problematiserats i hopp om ökad insikt i frågan. Detta utifrån framförallt skadeståndslagen, trafikskadelagen och produktansvarslagen samt generella skadeståndsrättsliga principer och ansvarsformer. Sammantaget har det kunnat konstateras att det inte finns någon självklar lösning på problemet, även om det i ett flertal situationer går att få en uppfattning av vad som vore juridiskt rimligt. Uppsatsen bidrar således till en problematisering av rättsläget inför den kommande harmoniseringen av teknik och juridik; ett steg i utvecklingen. / The technological development, specifically the introduction of the phenomenon of driverless vehicles, has meant that the time of writing, some ambiguity regarding the issue of liability under the law exists. This uncertainty has been discussed in an interim report from the government. Proposals on regulation are summarized in current SOU, however, only for the pilot project “Drive Me” as the automaker Volvo is behind. In order to address this uncertainty, the legal position has discussed and problematized in the hope of increasing awareness on the issue. Mainly from tort liability, Traffic damage Act, product liability law and liability forms and general principles of tort law. Overall, it´s been established that there is no obvious solution to the problem, although it´s possible to get an idea of what would be legally reasonable in a number of situations. The essay contributes thus to a discussion of problems of the legal position for the upcoming harmonization of technology and law; a stage of development.

”I could either watch it happen or be a part of it.” - Elon Musk De autonoma fordonens intåg på svenska vägar är ett stundande faktum med utblick mot 2030. Med dessa förs även förhoppningar om säkrare trafikmiljöer, större utrymme och prioritering av fotgängare och cyklister, mindre trängsel, reducerad miljöpåverkan och förenklade livsmönster. För att dessa positiva konsekvenser ska infalla krävs dock en förebyggande och långsiktig planering. Majoriteten av svenska kommuner har i dagsläget en reaktiv inställning till planering för autonoma fordon, det vill säga att först se utvecklingen äga rum och därefter tillämpa åtgärder. För att utvecklingen ska få ett önskvärt utfall måste kommunerna börja föra en proaktiv planering för autonoma fordons introduktion på marknaden. Det som hittills hämmat planeringen är framförallt bristen på konkreta förslag och principer för hur trafik och gatumiljöerna bör anpassas efter de nya förutsättningar som autonoma fordon medför. Samhället står just nu på kanten inför en storskalig omställning av fordonsflottan, där eldrivna autonoma fordon i slutändan förmodligen utgör en majoritet. Syftet med detta projekt är inte att förespråka en omedelbar implementering av åtgärder för fordon som ännu inte existerar, men fenomenet måste börja betänkas, diskuteras och konkretiseras på det långsiktiga planeringsstadiet. År 2050 ses som en relativt säker tidpunkt där autonoma fordon utgör en absolut majoritet av fordonsflottan, under en lång period kommer dock vanliga fordon och autonoma fordon behöva samsas om trafikutrymmet. Inom detta tidsspann råder många oklarheter över hur den fysiska planeringen ska positionera sig. De planeringsåtgärder som produceras i detta projekt är menade att utgöra ett första underlagsmaterial som kan börja lappa igen den kunskapslucka som existerar idag. Om kommunerna fortsätter med en reaktiv inställning ökar risken för att de negativa konsekvenser som autonoma fordon kan medföra infaller, såsom kapacitetsbrist i trafikinfrastrukturen på grund av ökade trafikmängder samt ett ökat parkeringsbehov. Sveriges kommuner bör vara med och styra utvecklingen för att privata aktörer och marknadskrafter inte anskaffar enväldig kontroll, och för att målsättningarna ska forma den teknologiska utvecklingen och inte vice versa. Vilket utfall som är mest sannolikt att inträffa beror till stor del på två faktorer; graden av proaktiv planering som bedrivs av de samhällsbyggande institutionerna samt i vilken grad delade lösningar av autonoma fordon anammas av allmänheten. Det är således omotiverat att inte bedriva en proaktiv planering på grund av de osäkerheter kring vilken typ av genomslag de autonoma fordonen får, för att institutionernas arbete kan påverka utvecklingen i den riktning som anses önskvärd. Detta projekt bidrar med något nytt till forskningen kring autonoma fordons påverkan på stadsplaneringen inom urbana miljöer, genom att konkretisera nödvändiga åtgärder som behöver tas med hänsyn till denna utveckling. Projektet resulterar i gestaltningsprinciper och förslag på lämplig utformning med hänsyn till autonoma fordon. Förhoppningen är att detta arbete är ett första steg i att möjliggöra en mer proaktiv planering, vilket är ett kriterium för att skapa en framtid med gång- och cykelprioriterade miljöer där delade autonoma fordon har ett reducerat anspråk i det offentliga rummet.

Autonomous driving is a rapidly changing industry and has recently become a heavily focused research topic for vehicle producing companies and research organizations. These autonomous vehicles are typically equipped with sensors such as Light Detection and Radar (LiDAR) in order to perceive their surroundings. The problem of detecting and classifying surrounding objects from the sensor data can be solved using different types of algorithms. Recently, machine learning solutions have been investigated. One problem with the machine learning approach is that the models usually require a substantial amount of labeled data, and labeling LiDAR data is a time-consuming process. A promising solution to this problem is utilizing Domain Adaptation (DA) methods. The DA methods can use labeled camera data, which are easier to label, in conjunction with unlabeled LiDAR data to improve the performance of machine learning models on LiDAR data. This thesis investigates and compares different DA methods that can be used for classification of LiDAR data. In this thesis, two image classification datasets with data of humans and vehicles were created. One dataset contains camera images, and the other dataset contains LiDAR intensity images. The datasets were used to train and test three methods: (1) a baseline method, which simply uses labeled camera images to train a model. (2) Correlation Alignment (CORAL), a DA method that aligns the covariance of camera features towards LiDAR features. (3) Deep Adaptation Network (DAN), a DA method that includes a maximum mean discrepancy computation between camera and LiDAR features within the objective function of the model. These methods were then evaluated based on the resulting confusion matrices, accuracy, recall, precision and F1-score on LiDAR data. The results showed that DAN was the best out of the three methods, reaching an accuracy of 87% while the baseline and CORAL only measured at 65% and 73%, respectively. The strong performance of DAN showed that there is potential for using DA methods within the field of autonomous vehicles. / Industrin för självkörande fordon är snabbt förändlig och har under de senaste åren fått ett enormt fokus från biltillverkare och forskningsorganisationer. De självkörande fordonen är oftast utrustade med sensorer som Light Detection and Radar (LiDAR) för att hjälpa fordonen förstå omgivningen. Klassificering och identifiering av omgivande objekt är ett problem som kan lösas med hjälp av olika slags algoritmer. Nyligen har lösningar som utnyttjar maskininlärning undersökts. Ett problem med dessa lösningar är att modellerna oftast kräver en enorm mängd annoterad data, och att annotera LiDAR-data är en kostsam process. En lösning till detta problem är att utnyttja metoder inom Domain Adaptation (DA). DA metoder kan utnyttja både annoterad kameradata samt oannoterad LiDAR-data för att förbättra modellernas prestanda på LiDAR-data. Den här avhandlingen undersöker och jämför olika metoder inom DA som kan användas för att klassificera LiDAR-data. I det här arbetet skapades två dataset som består av data från människor och fordon. Det ena datasettet innehöll kamerabilder och det andra innehöll LiDAR-intensitetsbilder. Dessa dataset användes för att träna och testa tre olika metoder: (1) en baselinemetod, som endast använde annoterade kamerabilder för att träna en modell. (2) Correlation Alignment (CORAL), en metod inom DA som justerar kovariansen hos kamerafeatures mot kovariansen hos LiDAR-features. (3) Deep Adaptation Network (DAN), en metod inom DA som lägger till en uträkning av maximum mean discrepancy mellan kamerafeatures och LiDAR-features i modellens optimeringskriterie. Metoderna bedömdes sedan beroende på deras förvirringsmatriser, träffsäkerhet, precision, täckning och F1-träffsäkerhet på LiDAR-data. Resultaten avslöjade att DAN presterade bäst av de tre metoderna och uppnåde 87% träffsäkerhet medan baselinemetoden och CORAL bara uppnådde 65% respektive 73%. DANs imponerande prestation visade att det finns potential för att använda metoder inom DA för självkörande fordon.

Artificiella neurala nätverk (ANN) har ett brett tillämpningsområde och blir allt relevantare på flera håll, inte minst för självkörande fordon. För att träna nätverken användsmeta-algoritmer. Nätverken kan styra fordonen med hjälp av olika typer av indata. I detta projekt har vi undersökt två meta-algoritmer: genetisk algoritm (GA) och gradient descent tillsammans med bakåtpropagering (GD & BP). Vi har även undersökt två typer av indata: avståndssensorer och linjedetektering. Vi redogör för teorin bakom de metoder vi har försökt implementera. Vi lyckades inte använda GD & BP för att träna nätverk att köra fordon, men vi redogör för hur vi försökte. I resultatdelen redovisar vi hur det med GA gick att träna ANN som använder avståndssensorer och linjedetektering som indata. Sammanfattningsvis lyckades vi implementera självkörande fordon med två olika typer av indata. / Artificial Neural Networks (ANN) have a broad area of application and are growing increasingly relevant, not least in the field of autonomous vehicles. Meta algorithms are used to train networks, which can control a vehicle using several kinds of input data. In this project we have looked at two meta algorithms: genetic algorithm (GA), and gradient descent with backpropagation (GD & BP). We have looked at two types of input to the ANN: distance sensors and line detection. We explain the theory behind the methods we have tried to implement. We did not succeed in using GD & BP to train ANNs to control vehicles, but we describe our attemps. We did however succeeded in using GA to train ANNs using a combination of distance sensors and line detection as input. In summary we managed to train ANNs to control vehicles using two methods of input, and we encountered interesting problems along the way.