福利姬

Sj盲lvk枚rande bilar och automatiserad transport har potential att 枚ka effektivitet och s盲kerhet i trafiken. Forskning fr氓n avdelningen som presenteras i () visar hur autonoma funktioner i bilar kan 枚ka s盲kerheten och reducera antal d枚dliga och allvarliga olyckor i trafiken.

V氓r forskning syftar till metodutveckling f枚r att m枚jligg枚ra robust, feltolerant, s盲ker, och resilient automatisering av fordon, som fungerar 盲ven under p氓tagliga os盲kerheter i omgivningen och m盲tningar fr氓n olika typer av sensorer. Framtr盲dande aspekter i forskningen 盲r planering och robust reglering av fordon, optimering av fordonsman枚vrar, modellering och prediktion av beteende hos omgivande trafik, samt analys av fordonets beteende i trafiken.

V氓r forskning omfattar s氓v盲l personbilar som tunga fordon och vi anv盲nder oss av forskningsarenan Visionen f枚r experiment, vilket m枚jligg枚r att g氓 fr氓n simulering till experiment (Sim2Real) som beskrivs i LiU-artikeln "Fr氓n simulering till verklighet med sj盲lvk枚rande bilar".

I nul盲get faller v氓ra forskningsaktiviteter fr盲mst inom tre kategorier:

• planering och reglering
• modellering och prediktion av omgivande trafik
• fordonsdynamik

H盲r f枚ljer en kortfattad beskrivning av v氓r forskning samt nyckelreferenser f枚r den som vill veta mer.

Planering och reglering

Att p氓 ett s盲kert och effektivt s盲tt planera och reglera r枚relsen hos ett fordon 盲r utmanande av flera sk盲l. Ett viktigt s氓dant 盲r den dynamiska interaktionen med omgivande milj枚 och fordon samt den os盲kerhet som finns i det specifika fordonets beteende. Perception och signalbehandling av sensordata, exempelvis fr氓n sensorer som kamera, lidar och radar, anv盲nds i ett sj盲lvk枚rande fordon f枚r att skapa en korrekt bild och f枚rst氓else av omv盲rlden. Denna bild av omv盲rlden 盲r central f枚r att sedan kunna fatta r盲tt beslut och planera en r枚relse f枚r fordonet. Figuren nedan illustrerar situationen i en milj枚 med m氓nga omgivande fordon (SV), d盲r vi inte vet exakt hur de kommer agera, och vi vill planera r枚relsen f枚r ego-fordonet (EV).

En intressant metod f枚r att l枚sa detta problem 盲r modellprediktiv reglering (MPC), d盲r en modell av fordonet och dess omgivning inkluderas i ett optimeringsproblem d盲r fordonets n盲sta r枚relser ber盲knas. I artikeln () presenteras en metod f枚r hur interaktionen mellan omgivande fordon kan inkluderas i planeringen. En fundamental egenskap hos problem som involverar flera fordon 盲r att det 盲r sv氓rt att veta exakt hur omgivningen kommer att agera vilket illustreras i figuren nedan.

Av detta sk盲l studeras hur robusthet mot s氓dan os盲kerhet kan introduceras i MPC i artikeln (). Ansatsen ut枚kas sen i (Zhou et al., 2025b) d盲r den statiska omgivningen, exempelvis information om v盲gn盲tet, tas med i problemformuleringen. Andra exempel p氓 resultat baserat p氓 olika tekniker f枚r att p氓 ett s盲kert s盲tt planera och navigera i en dynamisk milj枚 盲r () och ().

Os盲kerhet i beteende hos omgivande trafik kan hanteras genom att f枚rutse m枚jliga situationer, speciellt potentiellt farliga s氓dana, som kan uppst氓 枚ver en f枚rutbest盲md prediktionshorisont och sedan inkludera den informationen i r枚relseplaneringen samt regulatorn. En metod f枚r detta presenteras i (). Videon l盲ngre ner illustrerar hur en s氓dan ansats fungerar f枚r beslutsfattande i en komplex och os盲ker trafiksituation med flera involverade fordon.

Modellering och prediktion av omgivande trafik

Ett annat aktivt forskningsomr氓de i gruppen 盲r modeller f枚r prediktion av beteende hos omgivande trafik, d盲r beteende representerar b氓de intention och framtida v盲g och hastighet. Ett enkelt exempel 盲r att prediktera om fordon i omgivande trafik kommer vara kvar i sin fil, eller byta fil till h枚ger eller v盲nster. I artikeln () visas hur grafbase rade probabilistiska neuronn盲tsmodeller kan anv盲ndas f枚r att prediktera r枚relser hos omgivande trafik i komplexa situationer. Specifikt studeras hur interaktionen mellan fordon kan modelleras, d氓 det har stor p氓verkan p氓 fordonens beteende i komplexa trafiksituationer, exempelvis en rondell. Det finns v盲l etablerade modeller f枚r hur fordon r枚r sig, s氓 kallade r枚relsemodeller. Det har visat sig vara f枚rdelaktigt att inkludera s氓dana r枚relsemodeller i neuronn盲tsmodellerna eftersom det 枚kar prediktionsprestandan samtidigt som det f枚rb盲ttrar generaliseringsf枚rm氓gan hos modellerna. I () studeras hur olika val av r枚relsemodeller och integrationsmetoder p氓verkar modellens prestanda. Modellen som utvecklades sammanfattas i figuren nedan.

Fordonsdynamik

Optimala fordonsman枚vrar

Forskningen inom optimala fordonsman枚vrar utvecklar metoder f枚r r枚relseplanering och reglering vid gr盲nsen av fordonets kapacitet, som till exempel maximal anv盲ndning av friktionen mellan d盲cken och v盲gen f枚r en bil. Det 枚vergripande m氓let 盲r att m枚jligg枚ra autonom hantering av tids- och s盲kerhets kritiska situationer, exempelvis n盲r ett djur pl枚tsligt dyker upp i k枚rf盲ltet eller vid k枚rning med f枚r h枚g hastighet p氓 en isfl盲ck i en kurva. I s氓dana situationer 盲r det viktigt att p氓 b盲sta m枚jliga s盲tt utnyttja den tillg盲ngliga friktionen mot underlaget, vilket betyder att fordonets och d盲ckens dynamik 盲r viktiga aspekter att ta h盲nsyn till vid planering av fordonsman枚vern. Forskningen inom detta omr氓de har resulterat i metoder f枚r att formulera och l枚sa optimala man枚vreringsproblem med dynamisk optimering, se () och (). Den har 盲ven lett fram till nya metoder f枚r reglering i realtid av fordon i s盲kerhetskritiska situationer med b氓de stillast氓ende och r枚rliga hinder. Tv氓 s氓dana metoder presenteras i artiklarna () och (). Genom att anv盲nda en regleringsprincip med ett kraftcentrerat perspektiv i formuleringen ist盲llet f枚r ett mer traditionellt v盲g- och hastighetsperspektiv, visas hur ber盲kningseffektiva och implementeringsbara algoritmer kan utvecklas som fungerar 盲ven n盲r fordonet 盲r p氓 gr盲nsen av sin kapacitet.

L氓nga fordonskombinationer

Introduktion av l氓nga fordonskombinationer (LCV), s氓som A-dubbel och DuoCat, p氓g氓r vilket ger en m枚jlighet att minska driftskostnader och 枚ka transporteffektiviteten. D盲rmed 盲r det intressant att studera egenskaper hos s氓dana l氓nga ekipage.

En fr氓ga 盲r hur dessa fordon presterar p氓 v盲g, exempelvis i komplexa trafiksituationer som filbyten, rondeller, korsningar och sn盲va kurvor. I den h盲r forskningen studeras och analyseras hur fordonen beter sig med avseende p氓 prestandabaserade standarder med hj盲lp av naturalistisk k枚rdata fr氓n experiment med LCV. Prestandabed枚mningen 盲r i huvudsak bak氓tf枚rst盲rkning, sp氓ravvikelse och svept area i l氓g hastighet, se () f枚r en mer detaljerad beskrivning.