SjÀlvkörande bilar och automatiserad transport har potential att öka effektivitet och sÀkerhet i trafiken. Forskning frÄn avdelningen som presenteras i () visar hur autonoma funktioner i bilar kan öka sÀkerheten och reducera antal dödliga och allvarliga olyckor i trafiken.
VÄr forskning syftar till metodutveckling för att möjliggöra robust, feltolerant, sÀker, och resilient automatisering av fordon, som fungerar Àven under pÄtagliga osÀkerheter i omgivningen och mÀtningar frÄn olika typer av sensorer. FramtrÀdande aspekter i forskningen Àr planering och robust reglering av fordon, optimering av fordonsmanövrar, modellering och prediktion av beteende hos omgivande trafik, samt analys av fordonets beteende i trafiken.
VÄr forskning omfattar sÄvÀl personbilar som tunga fordon och vi anvÀnder oss av forskningsarenan Visionen för experiment, vilket möjliggör att gÄ frÄn simulering till experiment (Sim2Real) som beskrivs i LiU-artikeln "FrÄn simulering till verklighet med sjÀlvkörande bilar".
I nulÀget faller vÄra forskningsaktiviteter frÀmst inom tre kategorier:
- planering och reglering
- modellering och prediktion av omgivande trafik
- fordonsdynamik
HÀr följer en kortfattad beskrivning av vÄr forskning samt nyckelreferenser för den som vill veta mer.
Planering och reglering
Att pÄ ett sÀkert och effektivt sÀtt planera och reglera rörelsen hos ett fordon Àr utmanande av flera skÀl. Ett viktigt sÄdant Àr den dynamiska interaktionen med omgivande miljö och fordon samt den osÀkerhet som finns i det specifika fordonets beteende. Perception och signalbehandling av sensordata, exempelvis frÄn sensorer som kamera, lidar och radar, anvÀnds i ett sjÀlvkörande fordon för att skapa en korrekt bild och förstÄelse av omvÀrlden. Denna bild av omvÀrlden Àr central för att sedan kunna fatta rÀtt beslut och planera en rörelse för fordonet. Figuren nedan illustrerar situationen i en miljö med mÄnga omgivande fordon (SV), dÀr vi inte vet exakt hur de kommer agera, och vi vill planera rörelsen för ego-fordonet (EV).
En intressant metod för att lösa detta problem Àr modellprediktiv reglering (MPC), dÀr en modell av fordonet och dess omgivning inkluderas i ett optimeringsproblem dÀr fordonets nÀsta rörelser berÀknas. I artikeln () presenteras en metod för hur interaktionen mellan omgivande fordon kan inkluderas i planeringen. En fundamental egenskap hos problem som involverar flera fordon Àr att det Àr svÄrt att veta exakt hur omgivningen kommer att agera vilket illustreras i figuren nedan.
Av detta skÀl studeras hur robusthet mot sÄdan osÀkerhet kan introduceras i MPC i artikeln (). Ansatsen utökas sen i (Zhou et al., 2025b) dÀr den statiska omgivningen, exempelvis information om vÀgnÀtet, tas med i problemformuleringen. Andra exempel pÄ resultat baserat pÄ olika tekniker för att pÄ ett sÀkert sÀtt planera och navigera i en dynamisk miljö Àr () och ().
OsÀkerhet i beteende hos omgivande trafik kan hanteras genom att förutse möjliga situationer, speciellt potentiellt farliga sÄdana, som kan uppstÄ över en förutbestÀmd prediktionshorisont och sedan inkludera den informationen i rörelseplaneringen samt regulatorn. En metod för detta presenteras i (). Videon lÀngre ner illustrerar hur en sÄdan ansats fungerar för beslutsfattande i en komplex och osÀker trafiksituation med flera involverade fordon.
Modellering och prediktion av omgivande trafik
Fordonsdynamik
Optimala fordonsmanövrar
LÄnga fordonskombinationer
Introduktion av lÄnga fordonskombinationer (LCV), sÄsom A-dubbel och DuoCat, pÄgÄr vilket ger en möjlighet att minska driftskostnader och öka transporteffektiviteten. DÀrmed Àr det intressant att studera egenskaper hos sÄdana lÄnga ekipage.
En frÄga Àr hur dessa fordon presterar pÄ vÀg, exempelvis i komplexa trafiksituationer som filbyten, rondeller, korsningar och snÀva kurvor. I den hÀr forskningen studeras och analyseras hur fordonen beter sig med avseende pÄ prestandabaserade standarder med hjÀlp av naturalistisk kördata frÄn experiment med LCV. Prestandabedömningen Àr i huvudsak bakÄtförstÀrkning, spÄravvikelse och svept area i lÄg hastighet, se () för en mer detaljerad beskrivning.