Global ETD Search

51	Vem eller vad kan hållas straffrättsligt ansvarig för ett självkörande fordon? : En analys av gällande rätt och föreslagen lagstiftning i Sverige / Who or what can be held criminally liable for an automated vehicle? : An analysis of current law and proposed legislation in Sweden Dahlström, Petri January 2023 (has links) The last decade has seen a rapid advancement in the fields of artificial intelligence (AI) and automation, with terms such as machine learning, deep learning and algorithms finding their way into everyday conversations. The usage of AI is evergrowing and present in many areas of life such as health care, financial services, and social media interactions. One subject which has garnered a significant amount of attention is the introduction of autonomous vehicles (AVs) and their promise of a safer and more efficient global traffic environment. However, while self-driving technology is developing at an exponential rate, associated laws and regulations are falling behind. The legal issues connected to AVs tend to differ from one jurisdiction to another, but a concern shared among most is the uncertain state of the legal landscape with respect to criminal liability. This study is focused on critically evaluating this uncertain legal landscape from a Swedish perspective. The method used in this thesis is a blend of legal dogmatics and legal analytics. A specific branch of legal analytics, legal informatics, is largely applied due to its suitability in analyzing the relationship between law and information technology. After a brief introduction to AI and AVs, the investigation begins by examining current law to determine how a general implementation of AVs would be handled by existing regulation. The thesis then continues to analyze the potential effects of the European proposal of an electronic legal personhood for AI and its associated ethical considerations. Lastly, the paper explores the Swedish proposal for a specialized AV regulation in comparison to current Swedish and international law. The conclusion of this study is that certain traffic scenarios tend to make the criminal liability assessment clearer than others. A human driver will generally not be held responsible if a vehicle driven by an automated driving system causes an incident. In most cases, the liability will be attributed to the vehicle’s owner or manufacturer. The most interesting and complex situations involve AVs with a lower level of autonomy. These vehicles require human assistance and oversight, leading to intricate questions about culpability and causality. However, the lack of existing specialized law and the unsettled nature of the proposed regulation means that any conclusions drawn regarding criminal liability and AVs are, to some extent, uncertain and hypothetical, emphasizing the need of a globally harmonized legal landscape. Self-driving autonomous automated automatic AV vehicles cars artificial intelligence AI machine learning electronic person criminal liability Självkörande autonoma automatiserade artificiell intelligens AI maskininlärning elektronisk person fordon bilar straffrättsligt ansvar ansvarsbedömning Law Juridik
52	Artificial Intelligence applications for railway signalling Smakic, Benjamin January 2021 (has links) The main purpose of this Master Thesis is to investigate how front-facing, train-mounted cameras and Computer Vision, a type of Artificial Intelligence (AI), can be used to compensate for GPS inaccuracies. By using footage from track-recording cameras, Computer Vision can be utilized to determine the number of tracks and the track occupancy of the train, which would compensate GPS inaccuracies in the lateral positioning. GPS usage in railway applications is rare, however, an AI-based positioning system would facilitate the usage of GPS for higher capacity and better utilization of current railway infrastructure. This is especially interesting for ERTMS, a European effort to create a standardized signalling system while simultaneously increasing capacity, where potential for an AI-based positioning system can be found in both ERTMS level 2 and level 3. Two Computer Vision models were created, based on two different methods. Images for both models were collected from YouTube videos of train trips recorded with train-mounted cameras. In the first model, the images were labelled according to the number unoccupied adjacent tracks. For example, a left-track occupancy of a double track section would be labelled “01”. The model architecture was based on Convolutional Neural Networks (CNN), a type of AI algorithm specifically developed for image processing, where every pixel in each image was analysed to find patterns corresponding to each label. In the second model, Python software was utilized to manually label every track with bounding boxes. The purpose of the bounding boxes was to demarcate the tracks within the images. Thus, the latter employed strategy did not require the labelling of both the number of tracks and their position. However, it was magnitudes more time consuming. The model was trained using YOLOv3 real-time object detection, a system perfectly fit for real-time track detection. The first model, which was limited to a recognition of up to four tracks, had a 60 % accuracy. The results were adequate considering the unfit method used to train the model and detect tracks. It was not further considered, as the discovery of the second method involving YOLOv3 resulted a more suitable model for the task. The second model was limited to a recognition of up to three tracks due to limited availability of processing power, computer memory, and time. The performance of the second model was evaluated using clips of different track scenarios. In summary, the second model performed well in the following scenarios: · Main-track detection in any environment. · Side-track recognition in simple environments. It performed mediocre in the following scenarios: · Medium-illuminated tunnels. · Tracks seen through windscreens obscured by water droplets. · Side-track detection in complex environments. It performed poorly in the following scenarios: · Low-illuminated tunnels. · Bright tunnel exits. · Side-track detection in snowy conditions. In conclusion, it is possible to create a computer-vision model for track recognition. Although the results presented in this thesis are promising in certain scenarios, the image dataset is far too limited. Only approximately 350 labelled images were available for the model training. To develop a full-scale AI-based positioning system, many more images must be used to fully encapsule all the possible track scenarios. Furthermore, numerous technical specifications must be defined for the development of such a large-scale system, such as camera type (normal, thermal, event-based, lidar etc.), system design, safety analysis, system evaluation strategy etc. Nevertheless, if the development of an AI-based positioning system is successful, it can transition to become a future full-scale railway system of autonomous freight, passenger, and shunting operations. / Syftet med denna Masteruppsats är att undersöka hur hyttmonterade tågkameror tillsammans med datorseende, en typ av Artificiell Intelligens (AI), kan användas för att kompensera bristande GPS-positionering. Genom att använda kameror som kontinuerligt filmar framförvarande räls från tåghytten, kan datorseende utnyttjas för att avgöra antalet spår vid tågets aktuella position, samt vilket spår tåget belägger, och på så sätt kompensera eventuella GPS-felaktigheter i tågets laterala position. Användning av GPS inom järnvägens signalsystem är sällsynt, då tekniken inte är särskilt beprövad i signaltekniska syften. Det skulle emellertid kunna främjas genom att introducera ett AI-baserat signalsystem i syfte att höja järnvägens kapacitet och öka utnyttjandegraden av befintliga banor. I synnerhet när det kommer till utvecklingen av ERTMS kan ett AI-baserat signalsystem vara av intresse, då det finns potentiella tillämpningsområden för både ERTMS level 2 och level 3. Två olika modeller för datorseende utvecklades, baserat på två olika metoder. Bildmaterial för båda modellerna togs från YouTube-klipp innehållande inspelningar från hyttmonterade kameror. För den första modellen kategoriserades bilderna i enlighet med antalet fria intilliggande spår. Exempelvis skulle ett vänster-belagt dubbelspår kategoriseras ”01”. Modellarkitekturen baserades på Convolutional Neural Networks (CNN) en AI-algoritm specialanpassad för bland annat bildanalysering, där alla pixlar i varje bild analyserades i syfte att upptäcka mönster mellan bilderna och dess kategori. I den andra modellen användes Python-programvara för att manuellt kategorisera varje spår med en så kallad avgränsningsruta. Avgränsningsrutorna användes i syfte att urskilja spåren från resterande del av bilderna. Kategorisering i enlighet med antalet fria intilliggande spår krävdes således inte, däremot ökade tidsåtgången för kategorisering markant. Modellen tränades med ”YOLOv3 real-time object detection”, ett verktyg speciellt framtaget för bildanalys i realtid, vilket passade perfekt för spårdetektering i realtid. Den första modellen begränsades till igenkänning av maximalt fyra spår och hade 60 % precision. Resultatet var tillfredsställande med tanke på den olämpliga modell som användes för träning samt detektering av spår. Utvecklingen av denna modell avstannades då ett bättre system för spårdetektering baserat på YOLOv3 upptäcktes. Den andra modellen, baserad på YOLOv3 begränsades till igenkänning av maximalt tre spår, då tillgängligheten av processorkraft, lagringsutrymme och tid var begränsad. Precisionen av denna modell bedömdes med hjälp av korta klipp på olika spårmiljöer. Sammanfattningsvis presterade modellen bra i följande scenarion: · Huvudspårsdetektering i alla typer av miljöer · Sidospårsdetektering i enkla miljöer Modellen presterade mediokert i följande scenarion: · Spårdetektering i halvmörka tunnlar · Vindrutor täckta med vattendroppar · Sidospårsdetektering i avancerade miljöer Modellen presterade mycket dåligt i följande scenarion: · Spårdetektering i mörka tunnlar. · Spårdetektering i ljusa tunnelportaler. · Sidospårsdetektering i snöförhållanden. Ur detta kan slutsatsen dras att det är fullt möjligt att skapa ett signalsystem baserat på datorseende. Fastän de resultat som presenterats i denna masteruppsats tyder på god prestanda i vissa scenarion, kan det inte uteslutas att storleken på det använda bildmaterialet inte är adekvat. Endast cirka 350 kategoriserade bilder användes. För en fullskalig utveckling av ett AI-baserat positioneringssystem måste många fler bilder tas i beaktning, för att säkerställa en inkludering av så många spårmiljöer som möjligt. Dessutom måste åtskilliga tekniska specifikationer definieras, så som kameratyp (vanlig kamera, värmekamera, eventbaserad kamera, Lidar osv.), systemdesign, säkerhetsanalys, systemutvärderingsstrategi osv. Om däremot utvecklingen av ett AI-baserat signalsystem lyckas, kan det vidareutvecklas till ett framtida fullskaligt signalsystem för autonoma passagerar- och godståg samt autonoma rangerlok. Artificial Intelligence AI Machine Learning ML Computer Vision railway signalling ERTMS level 3 GPS autonomous train operations Artificiell Intelligens Maskininlärning datorseende signalteknik autonoma tåg självkörande tåg. Transport Systems and Logistics Transportteknik och logistik
53	Artificiell Intelligens inom Innovationsprocesser : En studie om hur AI och maskininlärning kan förbättra innovation inom bilindustrin Andersson, David, Sedin, Albert January 2024 (has links) Detta examensarbete undersöker hur artificiell intelligens (AI) och maskininlärning (ML) har förbättrat innovationsprocesser inom bilindustrin, med särskilt fokus på ett företag som är aktiva inom detta område. Genom en kombination av teoretisk forskning och empiriska intervjuer med anställda på företaget har det identifierats att AI och ML är kraftfulla verktyg för att driva teknologisk innovation, optimera interna processer och främja en kultur av kontinuerligt lärande och samarbete. Företaget som undersöks i denna fallstudie använder AI för att utveckla avancerade förarassistanssystem och autonoma körteknologier, vilket resulterar i säkrare och mer effektiva självkörande bilar. Dessutom optimerar AI interna processer som prestandaövervakning och intern kommunikation, vilket förbättrar effektiviteten och responsiviteten inom organisationen. Företagskulturen på företaget har påverkats positivt av AI, med en betoning på ständigt lärande och kunskapsdelning. Medarbetarna uppmuntras att kontinuerligt uppdatera sina kunskaper och färdigheter för att hålla jämna steg med teknologiska framsteg, vilket skapar en dynamisk och adaptiv arbetsmiljö. Dock möter företaget även utmaningar, inklusive höga kostnader för hårdvara och beräkningskraft, behovet av att säkerställa hög datakvalitet och att hantera komplexa juridiska och etiska frågor. AI och ML har avsevärt förbättrat innovationsprocesserna för företaget i denna fallstudie genom att driva teknologisk och processuell innovation samt genom att påverka företagskulturen positivt. Studien bidrar till ämnet innovationsteknik genom att belysa hur AI kan användas för att driva innovation och identifierar områden för framtida forskning, såsom kostnadshantering och långsiktiga effekter av AI på företagskulturen. / This exam essay examines how artificial intelligence (AI) and machine learning (ML) have improved innovation processes in the automotive industry, with a particular focus on a company active in this field. Through a combination of theoretical research and empirical interviews with employees of the company, it has been identified that AI and ML are powerful tools for driving technological innovation, optimizing internal processes and fostering a culture of continuous learning and collaboration. The company investigated in this case study uses AI to develop advanced driver assistance systems and autonomous driving technologies, resulting in safer and more efficient self-driving cars. In addition, AI optimizes internal processes such as performance monitoring and internal communication, improving efficiency and responsiveness within the organization. The company culture has been positively impacted by AI, with an emphasis on continuous learning and knowledge sharing. Employees are encouraged to continuously update their knowledge and skills to keep up with technological advances, creating a dynamic and adaptive work environment. However, the company also faces challenges, including the high cost of hardware and computing power, the need to ensure high data quality, and dealing with complex legal and ethical issues. AI and ML have significantly improved the innovation processes of the company in this case study by driving technological and process innovation as well as by positively influencing corporate culture. The study contributes to the field of innovation technology by highlighting how AI can be used to drive innovation and identifies areas for future research, such as cost management and long-term effects of AI on corporate culture. Innovation Artificiell Intelligens AI Maskininlärning ML AI-system Innovationsprocess Deep Learning Autonoma fordon Självkörande bilar Förarassistanssystem Körteknologier Företagskultur Teknologiska Framsteg Engineering and Technology Teknik och teknologier Mechanical Engineering Maskinteknik
54	Moraliska bedömningar av autonoma systems beslut / Moral judgments of autonomous intelligent systems Lindelöf, Gabriel Trim Olof January 2020 (has links) Samhällsutvecklingen går i en riktning där människor arbetar i allt närmare samarbete med artificiella agenter. För att detta samarbete ska vara på användarens villkor är det viktigt att förstå hur människor uppfattar och förhåller sig till dessa system. Hur dessa agenter bedöms moraliskt är en komponent i denna förståelse. Malle m.fl. (2015) utförde en av de första studierna kring hur normer och skuld appliceras på människa respektive robot. I samma artikel efterfrågades mer forskning kring vilka faktorer hos agenter som påverkar de moraliska bedömningarna. Föreliggande studie tog avstamp i denna frågeställning och avsåg att undersöka hur moralisk godtagbarhet och skuldbeläggning skiljde sig beroende på om agenten var en person, en humanoid robot eller ett autonomt intelligent system utan kropp (AIS). Ett mellangrupps-experiment (N = 119) användes för att undersöka hur agenterna bedömdes för sina beslut i tre olika moraliska dilemman. Deltagares rättfärdigaden bakom bedömningar samt medveten hållning utforskades som förklaringsmodell av skillnader. Medveten hållning avser Dennetts (1971) teori kring huruvida en agent förstås utifrån mentala egenskaper. Resultaten visade att person och robot erhöll liknande godtagbarhet för sina beslut medan AIS fick signifikant lägre snitt. Graden skuld som tillskrevs skiljde sig inte signifikant mellan agenterna. Analysen av deltagares rättfärdiganden gav indikationer på att skuldbedömningarna av de artificiella agenterna inte grundade sig i sådan information som antagits ligga till grund för denna typ av bedömningar. Flera rättfärdiganden påpekade också att det var någon annan än de artificiella agenterna som bar skulden för besluten. Vidare analyser indikerade på att deltagare höll medveten hållning mot person i störst utsträckning följt av robot och sedan AIS. Studien väcker frågor kring huruvida skuld som fenomen går att applicera på artificiella agenter och i vilken utsträckning distribuerad skuld är en faktor när artificiella agenter bedöms. Artificial intelligence HRI Moral judgments Blame Permissibility Intentional stance Humanoid robot Autonomous intelligent systems Self-driving cars Moral dilemmas Moral psychology Moral machine Artificiell intelligens Människa-robotinteraktion Moraliska bedömningar Moraliska dilemman Skuld Klander Distribuerad skuld Humanoid robot Medveten hållning Självkörande bilar Moralpsykologi Human Computer Interaction
55	Empirical Data Based Predictive Warning System on an Automated Guided Vehicle / Empiriskt databaserat predikterande varningsystem för självkörande truckar Blåberg, Anton, Lindahl, Gustav January 2022 (has links) An Automated Guided Vehicle (AGV) must follow protective regulations to avoidcrashing into people when autonomously driving in industries. These safety norms require AGVs to enable protective fields, which perform hard braking when objects enter aspecific area in front of the vehicle. Warning fields, or warning systems, are similar fieldsthat decrease the speed of the AGV before objects enter the protective fields to enable asteadier driving. Today at Toyota Material Handling Manufacturing Sweden (TMHMS),warning systems have been implemented but the systems are too sensitive to objects outside of the AGVs path.The purpose of this thesis is to develop a predictive warning system based on empiricaldata from previous driving scenarios. By storing previous positions, the warning systemcould estimate a trajectory based on simple statistics and deploy speed limiting decisionsif objects appear in the upcoming predicted path.The predictive warning system was compared to the current warning system and adeactivated warning system setup in driving performance and driving dynamics. Performance was measured by measuring time to finish an industry-like test track and dynamicswas subjectively rated from a group of experienced AGV developers from TMHMS. Results showed that a predictive warning system drove the test track faster and with betterdynamics than the current warning system and the no warning system setup.Key findings are that a predictive warning system based on empirical data performedbetter in most cases but has some extra requirements to function. Firstly, the method require the AGV to mostly drive on previously driven paths to produce good results. Secondly the warning system requires a somewhat powerful on board computer to handlethe computations. Finally, the warning system requires spatial awareness of pose for thevehicle, as well as structure and shape for deployed protective fields. AGV Automated Guided Vehicles Autonomous Mobile Robots LiDAR Warning Field Warning System Collision Avoidance Braking System Robotics Autonomous Vehicles Path Predictive Position Forecasting Speed Regulation Decision Making Protective Field Protective System Industry 4.0 AI Självkörande truckar Varningsfält Varningssystem Säkerhetsfält Säkerhetssystem Industri 4.0 Automatiskt inbromsning Positionsprognos Beslutsfattande Embedded Systems Inbäddad systemteknik Robotics Robotteknik och automation Computer Systems Datorsystem Vehicle Engineering Farkostteknik
56	Multi-Scale Task Dynamics in Transfer and Multi-Task Learning : Towards Efficient Perception for Autonomous Driving / Flerskalig Uppgiftsdynamik vid Överförings- och Multiuppgiftsinlärning : Mot Effektiv Perception för Självkörande Fordon Ekman von Huth, Simon January 2023 (has links) Autonomous driving technology has the potential to revolutionize the way we think about transportation and its impact on society. Perceiving the environment is a key aspect of autonomous driving, which involves multiple computer vision tasks. Multi-scale deep learning has dramatically improved the performance on many computer vision tasks, but its practical use in autonomous driving is limited by the available resources in embedded systems. Multi-task learning offers a solution to this problem by allowing more compact deep learning models that share parameters between tasks. However, not all tasks benefit from being learned together. One way of avoiding task interference during training is to learn tasks in sequence, with each task providing useful information for the next – a scheme which builds on transfer learning. Multi-task and transfer dynamics are both concerned with the relationships between tasks, but have previously only been studied separately. This Master’s thesis investigates how different computer vision tasks relate to each other in the context of multi-task and transfer learning, using a state-ofthe-art efficient multi-scale deep learning model. Through an experimental research methodology, the performance on semantic segmentation, depth estimation, and object detection were evaluated on the Virtual KITTI 2 dataset in a multi-task and transfer learning setting. In addition, transfer learning with a frozen encoder was compared to constrained encoder fine tuning, to uncover the effects of fine-tuning on task dynamics. The results suggest that findings from previous work regarding semantic segmentation and depth estimation in multi-task learning generalize to multi-scale learning on autonomous driving data. Further, no statistically significant correlation was found between multitask learning dynamics and transfer learning dynamics. An analysis of the results from transfer learning indicate that some tasks might be more sensitive to fine-tuning than others, suggesting that transferring with a frozen encoder only captures a subset of the complexities involved in transfer relationships. Regarding object detection, it is observed to negatively impact the performance on other tasks during multi-task learning, but might be a valuable task to transfer from due to lower annotation costs. Possible avenues for future work include applying the used methodology to real-world datasets and exploring ways of utilizing the presented findings for more efficient perception algorithms. / Självkörande teknik har potential att revolutionera transport och dess påverkan på samhället. Självkörning medför ett flertal uppgifter inom datorseende, som bäst löses med djupa neurala nätverk som lär sig att tolka bilder på flera olika skalor. Begränsningar i mobil hårdvara kräver dock att tekniker som multiuppgifts- och sekventiell inlärning används för att minska neurala nätverkets fotavtryck, där sekventiell inlärning bygger på överföringsinlärning. Dynamiken bakom både multiuppgiftsinlärning och överföringsinlärning kan till stor del krediteras relationen mellan olika uppdrag. Tidigare studier har dock bara undersökt dessa dynamiker var för sig. Detta examensarbete undersöker relationen mellan olika uppdrag inom datorseende från perspektivet av både multiuppgifts- och överföringsinlärning. En experimentell forskningsmetodik användes för att jämföra och undersöka tre uppgifter inom datorseende på datasetet Virtual KITTI 2. Resultaten stärker tidigare forskning och föreslår att tidigare fynd kan generaliseras till flerskaliga nätverk och data för självkörning. Resultaten visar inte på någon signifikant korrelation mellan multiuppgift- och överföringsdynamik. Slutligen antyder resultaten att vissa uppgiftspar ställer högre krav än andra på att nätverket anpassas efter överföring. Autonomous Driving Computer Vision Deep Learning Machine Learning Multi-Task Learning Transfer Learning Task Relationships Task Dynamics Python Multi-Scale Representation Learning Fuss-Free Network Självkörande Fordon Datorseende Djupinlärning Maskininlärning Multiuppgiftsinlärning Överföringsinlärning Uppgiftsrelationer Uppgiftsdynamik Python Flerskalig Representationsinlärning Fuss-Free Nätverk Computer and Information Sciences Data- och informationsvetenskap
57	Simulation of real-time Lidar sensor in non-ideal environments : Master’s Thesis in Engineering Physics Rosberg, Philip January 2024 (has links) Light Detection and Ranging (Lidar) is a kind of active sensor that emits a laser pulse and primarily measures the time of flight of the returning pulse and uses it to construct a 3D point cloud of the scene around the lidar sensor. The constructed point cloud is an essential asset for the control of autonomous vehicles, and especially today, an essential basis for the training of autonomous vehicle control models. However, it remains time-consuming, high-risk and expensive to acquire the amounts of data necessary to train the rather complex modern control models. As such, generating the point cloud through simulations becomes a natural solution. Yet, many lidar simulations today produce ideal point clouds, corrected only by random noise, without considering the physical reasons behind the imperfections visible in real lidar point clouds. The aim of this study was to investigate real-time simulation models for disturbances that may cause imperfections in lidar data. From a base investigation of lidar, disturbances were found, models were investigated and finally a real-time implementation of Atmospheric Effects and attenuation from Beam Divergence was evaluated. It was found that the implemented models could produce physically accurate lidar point placement while keeping the computational time low enough for real-time evaluation. However, to achieve correct separation of target hit rates under Atmospheric Effects, as high as 34% of the points had to be dropped. Additionally, the intensity of the return points could not be properly verified. From these results it can be concluded that, with additional verification and adjustment, the presented models can achieve good results for evaluation in real-time. The results of this study thus serve as a support for future developments of realistic real-time lidar simulations, for use in development of autonomous vehicle control models and implementation of digital twins. LiDAR lidar Lidar LIDAR real-time simulation sensor sensors real time fog rain snow attenuation disturbance disturbances divergence beam divergence autonomous LiDAR lidar Lidar LIDAR realtid simulering sensor sensorer real tid dimma regn snö avmattning störning störningar spridning strålspridning självkörande Atom and Molecular Physics and Optics Atom- och molekylfysik och optik Other Physics Topics Annan fysik
58	Development and Evaluation of a Road Marking Recognition Algorithm implemented on Neuromorphic Hardware / Utveckling och utvärdering av en algoritm för att läsa av vägbanan, som implementeras på neuromorfisk hårdvara Bou Betran, Santiago January 2022 (has links) 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. SpiNNaker Neuromorphic Hardware Spiking Neural Network Computer vision system Lane recognition Autonomous driving Line Recognition Neuromorphic Vision Sensors Third Generation Neural Networks Algorithm Evaluation. SpiNNaker Neuromorfiska hårdvara neuromorfiska pulserande neuronnät Datorseende system läser av körbanans självkörande bilar läser av linjer dynamiska synsensorer Tredje generation neuronnät utvärdering av algoritmen. Hardware Neuromórfico Sistemas de visión por computador Reconocimiento de Carril Conducción autónoma Sensores de visión neuromórfica Redes neuronales de Impulsos Redes Neuronales de Tercera Generación Evaluación de Algoritmos. Computer and Information Sciences Data- och informationsvetenskap
59	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