žŁÀûŒ§

Autonomi och fordonsreglering

Autonom trafik
Autonom trafik Fotograf: iStock/AkaratPhasura

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".

Video

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).

Scenario för sjÀlvkörande bilar.

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.

Video

Modellering och prediktion av omgivande trafik

Rondell.
Ett annat aktivt forskningsomrÄde i gruppen Àr modeller för prediktion av beteende hos omgivande trafik, dÀr beteende representerar bÄde intention och framtida vÀg och hastighet. Ett enkelt exempel Àr att prediktera om fordon i omgivande trafik kommer vara kvar i sin fil, eller byta fil till höger eller vÀnster. I artikeln () visas hur grafbase rade probabilistiska neuronnÀtsmodeller kan anvÀndas för att prediktera rörelser hos omgivande trafik i komplexa situationer. Specifikt studeras hur interaktionen mellan fordon kan modelleras, dÄ det har stor pÄverkan pÄ fordonens beteende i komplexa trafiksituationer, exempelvis en rondell. Det finns vÀl etablerade modeller för hur fordon rör sig, sÄ kallade rörelsemodeller. Det har visat sig vara fördelaktigt att inkludera sÄdana rörelsemodeller i neuronnÀtsmodellerna eftersom det ökar prediktionsprestandan samtidigt som det förbÀttrar generaliseringsförmÄgan hos modellerna. I () studeras hur olika val av rörelsemodeller och integrationsmetoder pÄverkar modellens prestanda. Modellen som utvecklades sammanfattas i figuren nedan.

Encoder-Decoder model.

Fordonsdynamik

Optimala fordonsmanövrar

Bil gör en undanmanöver.
Forskningen inom optimala fordonsmanövrar utvecklar metoder för rörelseplanering och reglering vid grÀnsen av fordonets kapacitet, som till exempel maximal anvÀndning av friktionen mellan dÀcken och vÀgen för en bil. Det övergripande mÄlet Àr att möjliggöra autonom hantering av tids- och sÀkerhets kritiska situationer, exempelvis nÀr ett djur plötsligt dyker upp i körfÀltet eller vid körning med för hög hastighet pÄ en isflÀck i en kurva. I sÄdana situationer Àr det viktigt att pÄ bÀsta möjliga sÀtt utnyttja den tillgÀngliga friktionen mot underlaget, vilket betyder att fordonets och dÀckens dynamik Àr viktiga aspekter att ta hÀnsyn till vid planering av fordonsmanövern. Forskningen inom detta omrÄde har resulterat i metoder för att formulera och lösa optimala manövreringsproblem med dynamisk optimering, se () och (). Den har Àven lett fram till nya metoder för reglering i realtid av fordon i sÀkerhetskritiska situationer med bÄde stillastÄende och rörliga hinder. TvÄ sÄdana metoder presenteras i artiklarna () och (). Genom att anvÀnda en regleringsprincip med ett kraftcentrerat perspektiv i formuleringen istÀllet för ett mer traditionellt vÀg- och hastighetsperspektiv, visas hur berÀkningseffektiva och implementeringsbara algoritmer kan utvecklas som fungerar Àven nÀr fordonet Àr pÄ grÀnsen av sin kapacitet.

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.

Lasbil. 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.

Relaterat innehåll

Forskare

Nyckelreferenser

2025

Zhou, J., Gao, Y., Olofsson, B., & Frisk, E. (2025). ”Robust motion planning for autonomous vehicles based on environment and uncertainty-aware reachability prediction”. Control Engineering Practice, 160, doi: .

Zhou, J., Gao, Y., Johansson, O., Olofsson, B., & Frisk, E. (2025). ”Robust predictive motion planning by learning obstacle uncertainty”. IEEE Transactions on Control Systems Technology, doi: .

2024

Zhou, J., Olofsson, B. and Frisk, E., 2024. Interaction-aware motion planning for autonomous vehicles with multi-modal obstacle uncertainty predictions. IEEE Transactions on Intelligent Vehicles, 9(1), pp.1305-1319, doi: .

A. Behera, S. Kharrazi, and E. Frisk. ”How do long combination vehicles perform in real traffic? A study using Naturalistic Driving Data”. Accident Analysis & Prevention 207, 2024. doi: .

2023

Westny, T., Oskarsson, J., Olofsson, B., & Frisk, E. (2023a). ”MTP-GO: Graph-based probabilistic multi-agent trajectory prediction with neural ODEs”. IEEE Transactions on Intelligent Vehicles, 8(9), 4223-4236, doi: .

Westny, T., Oskarsson, J., Olofsson, B., & Frisk, E. (2023b). ”Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction”. In IEEE Intelligent Vehicles Symposium (IV 2023), doi: .

2022

V. Fors, B. Olofsson and E. Frisk, ”Resilient Branching MPC for Multi-Vehicle Traffic Scenarios Using Adversarial Disturbance Sequences” in IEEE Transactions on Intelligent Vehicles, 2022, doi: .

P. Anistratov, B. Olofsson and L. Nielsen, ”Analysis and design of recovery behaviour of autonomous-vehicle avoidance manoeuvres” in Vehicle System Dynamics, vol. 60, no. 7, pp. 2231-2254, 2022., doi: .

2021

M. Morsali, E. Frisk and J. Åslund, ”Spatio-Temporal Planning in Multi-Vehicle Scenarios for Autonomous Vehicle Using Support Vector Machines” in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 4, pp. 611-621, Dec. 2021, doi: .

F. Mohseni, E. Frisk and L. Nielsen, ”Distributed Cooperative MPC for Autonomous Driving in Different Traffic Scenarios” in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 2, pp. 299-309, June 2021, doi: .

V. Fors, B. Olofsson and L. Nielsen, ”Autonomous Wary Collision Avoidance”, in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 2, pp. 353-365, June 2021, doi: .

V. Fors, P. Anistratov, B. Olofsson, and L. Nielsen, L., ”Predictive force-centric emergency collision avoidance”, Journal of Dynamic Systems, Measurement, and Control, 143(8), 2021, doi:.

2020

B. Olofsson, and L. Nielsen (2020). ”Using crash databases to predict effectiveness of new autonomous vehicle maneuvers for lane-departure injury reduction”. IEEE Transactions on Intelligent Transportation Systems, 22(6), 3479-3490, doi: .

Relaterade avhandlingar

Omslag för publikation 'Performance Assessment of Long Combination Vehicles using Naturalistic Driving Data'
Abhijeet Behera (2024)
Omslag för publikation 'Context-Aware Predictive Motion Planning for Safe Autonomous Driving'
Jian Zhou (2024)
Omslag för publikation 'Context-Aware Behavior Prediction for Autonomous Driving'
Theodor Westny (2024)
Omslag för publikation 'Autonomous Avoidance Maneuvers for Vehicles using Optimization'
Pavel Anistratov (2021)
Omslag för publikation 'Trajectory Planning for an Autonomous Vehicle in Multi-Vehicle Traffic Scenarios'
Mahdi Morsali (2021)
Omslag för publikation ''
Fatemeh Mohseni (2021)
Omslag för publikation 'Autonomous Vehicle Maneuvering at the Limit of Friction'
Victor Fors (2020)

Om avdelningen

Om institutionen