SAFERs världsunika databaser med verklig kördata möjliggör stor projektsatsning inom maskininlärning

Ett av de största problemen vid utveckling av autonoma fordon är tillgången till verklig kördata och genomförande av tester av de nya funktionerna. I SAFERs nya projekt ”Realsim för AD” kommer därför verktyg för simulering att utvecklas. Utmaningen är att få simuleringsverktygen att likna verkligheten och här kommer SAFERs databaser, som innehåller mer är 5 miljarder kilometer insamlad kördata, till stor användning.

Maskininlärning, (Machine Learning, ML) har potential att avsevärt förändra fordonsindustrin, liksom övriga industrigrenar och samhället i stort. Området utvecklas snabbt och Sverige har som ambition att ta en ledande position inom området.

Maskininlärning kan göra fordonen säkrare
- Innan självkörande fordon kan nå marknaden i någon större utsträckning behöver säkerheten kunna garanteras, säger Magnus Granström, föreståndare på SAFER Trafiksäkerhetscentrum.
Magnus berättar att forskningen som bedrivs på SAFER kan göra stor skillnad och ett av centrets huvudsakliga forskningsområden just nu är frågor runt hur man på ett effektivt sätt kan arbeta med att säkerställa att automatiserade system för fordon blir tillräckligt säkra.

Simuleringsverktygen som ska utvecklas inom projektet ska bland annat med hjälp av maskininlärning lära sig att översätta syntetisk data från en simulering till mer verklig data. Kan man möjliggöra en realistisk simulering kan utvecklingen bidra till både säkrare fordon samt även göra utvecklingen billigare och effektivare. Tekniken kommer också att utvärderas genom experiment i verklig miljö på AstaZeros testbana. I projektet deltar flera av SAFERs större partners; AstaZero, Chalmers, Volvo Technology samt även mjukvaruföretaget Data Intelligence, Wiretronic, som är specialiserat på artificiell intelligens. Projektet är delvis finaniserat av Vinnova.

SAFERS databas innehåller unik kördata
SAFER har under över 10 år samlat in så kallad naturalistisk kördata, alltså information och filmer från förare som kör i verklig trafikmiljö över hela världen. Databasen är helt unik och är en värdefull tillgång till många forskningsprojekt där man behöver förstå hur människor kör och agerar i olika situationer.
- Att använda SAFERs databas för att lära robotar att köra säkert och att bygga kraftfulla simuleringsverktyg är ett ytterligare användningsområde och jag är säker på att vi kommer påbörja fler projekt inom området maskininlärning inom kort. Databasen vi har hos oss på SAFER är helt unik i sitt slag och många forskare kommer ha stor nytta av den, avslutar Magnus.