Uppfattningsbaserade navigeringsförslag med maskinlärande
- Diarienummer
- ID18-0011
- Start- och slutdatum
- 190101-240331
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Autonoma fordon kommer att få stor inverkan på samhället, inklusive autonoma tunga lastbilar och fordon i mindre strukturerade dynamiska miljöer, som gruvor och komplexa byggarbetsplatser. Holistiska förslag på möjliga körbanor för tunga kommersiella fordon i mindre strukturerade och dynamiska miljöer är av yttersta vikt för att få denna påverkan på samhället. Vi vill i detta projekt: - Hitta och använda nyckelfunktioner från den omgivande miljön för att förstå den framkomliga vägen, genom användadet av olika sensorer som kamera, LiDAR, RADAR. - Utveckla en vetenskaplig metod för träning av djupa neurala nätverk. - Producera förslag på körbanor i ostrukturerade miljöer och hjälpa till med att identifiera en säker körbana genom "holistic path predictor" och "reinforcement learning" - Utforska lärande tekniker för att förstå andra scenarier från kända off-road scenarier. Förväntat resultat inkluderar metoder och algoritmer för uppfattningsbaserade förslag på körbana genom maskininlärning. De förväntade resultaten kommer att publiceras vetenskapligt.
Populärvetenskaplig beskrivning
Autonomous vehicles are going to have a huge impact on the society. However, to realize such a complex system there are many challenges in the area of perception, planning and control. The goal of the project is to deal with the challenges in perception domain for off-road scenarios with the help of machine learning techniques using different sensors like – Camera, LiDAR and Radar. The project will help to compute the possible path rankings and suggest suitable drivable path in off-road scenarios based on the raw data correlation between the aforementioned sensors. Another important objective of the project will be to find out the key features with which we can model different dynamic environments for autonomous driving. The techniques developed for driving in off-road scenarios will also be evaluated for driving autonomously in other dynamic environments since the Scania trucks operate in different environments.