Det krävs en mängd olika tekniker för att fordon ska kunna fungera på egen hand i den ofta oförutsägbara trafiken. Hur nära är vi en värld med helt självkörande bilar, bussar och lastbilar – och hur ser vägen dit ut?
Kamera, GPS, laser, radar och sensorer. För att fordon ska få lov att stoltsera med att vara ”självkörande”, eller ”autonoma”, behövs en rad olika tekniker med förmåga att både registrera och tolka den komplexa och oförutsägbara trafikmiljön.
Hur nära är vi en värld med självkörande bilar då? Den självkörande förmågan graderas enligt en femgradig skala och många nytillverkade bilar befinner sig åtminstone i den lägre skalan med finesser såsom farthållare, ultraljudssensorer för nära avståndsbedömning och inbyggd GPS. Ju högre upp på skalan, desto mer krav på beslutsfattande och ”förstånd”. Det innebär att AI och maskininlärning är en förutsättning för att nå de högre nivåerna eftersom det är först då som bilen kan tolka och agera på ett säkert sätt.
Det närmsta vi har nivå fem-fordon, det vill säga helt självkörande fordon, finns idag i form av robottaxi i vissa större amerikanska och kinesiska städer. I övrigt är det mest testverksamhet i kontrollerade miljöer som gäller.
Näst på tur: självkörande bussar och lastbilar
Viktor Larsson är forskare i matematik vid Lunds Tekniska Högskola och utvecklar algoritmer för datorseende som kan användas i bilar och drönare. Han tror att näst på tur bland självkörande fordon att släppas fritt i större skala kan vara andra kommersiella fordon, som bussar och lastbilar, tror Viktor Larsson.
– Sådana trafikerar regelbundna sträckor och är dyra vilket gör att man har råd att stoppa mer sensorer i dem. Och så kan de köras dygnet runt – en automatisk förare behöver inga sovpauser.
– De måste inte heller fungera precis hela tiden, skulle det vara något kan en operatör hoppa in och fjärrstyra fordonet, säger han.
Kameror, radar och laserbaserad avståndsmätning
När det gäller biltillverkare prioriterar de olika tekniker. Till exempel använder Tesla bara kameror medan konkurrenten Waymo också använder radar och lidar, det vill säga laser-baserad avståndsmätning. En eller flera kameror har dock alla.
– Lidar är visserligen mycket bättre på att mäta avstånd jämfört med kameror. Det är ju väldigt viktigt att veta att det är fritt på körbanan. Men kameror är så väldigt mycket billigare så därför försöker man komma runt det och få kameror att lösa det i stället.
Kameran är inte bara billigare. När bilen ska kliva upp ett snäpp i sin intelligens och börja dra slutsatser behövs bilens mjukvara matas med bilder. Är barnet som springer på trottoaren på väg ut i gatan? Vad betyder krumeluren på skylten?
Därför behövs ändå en kamera, även om priset på lidar och radar skulle sjunka.
I militära sammanhang är dessutom kameror att föredra eftersom de inte skickar ut någon energi och därför svårupptäckta.
Med maskininlärning kan kameror få djupseende
Med hjälp av maskininlärning kan man nu lösa problem som tidigare varit otänkbara att lösa. Såsom att utifrån endast en bild beräkna avstånd till alla föremål som förekommer i kameravyn.
Traditionellt har detta lösts med två kameror, vilket bygger på samma idé som att vi har två ögon. Genom att undersöka skillnaderna i de två bilderna får både vi och kameran djupseende. Saker som är närmare oss flyttar på sig mer mellan bilderna, än saker som ligger längre bort.
– Vi människor kan ändå gissa avståndet även om vi blundar med ett öga, tack vare vår förvärvade kunskap om omvärlden, säger Viktor Larsson.
Men nu kan man skapa djupa neurala nätverk som likt vår hjärna kan uppskatta 3D-djup från enbart en bild. Förutom att det är billigare med en kamera än två, så är systemet med två kameror ofta väldigt känsliga för kalibreringsfel, det vill säga hur kamerorna är placerade i förhållande mot varandra.
3D-rekonstruktioner istället för GPS för bättre positionering
Viktor Larsson jobbar själv framför allt med att utveckla nya metoder för att skapa 3D-rekonstruktioner av verkligheten, vilket skulle göra mer noggrann positionering möjligt för självkörande fordon. Positionering har traditionellt lösts med GPS och den tekniken behövs också i självkörande bilar, men eftersom upplösningen ibland kan slå fel på fem till tio meter behövs mer precis positionering om fordonet ska fungera helt ensamt.
GPS fungerar inte heller om du kör i en tunnel eller på trånga gator med höga hus där signalerna från satelliterna studsar. Det är därför viktigt att kunna positionera sig med hjälp av andra sensorer.
Helst bör kartorna skapas med hjälp av sensordata som fordonen själva samlar in. Om man i stället förlitar sig på manuellt insamlad information riskerar kartorna snabbt att bli inaktuella och därmed mindre användbara.
Därför är det viktigt att kunna uppdatera kartorna med användarinsamlad data, så att förändringar i omgivningen, som exempelvis nya butiksskyltar, vägarbeten eller säsongsvariationer i växtlighet, speglas direkt i kartan.
En av svårigheterna är att våra städer och inomhusmiljöer är fulla av repetitiva strukturer och element, vilket kan leda till osäkerhet för algoritmerna, berättar Viktor Larsson.
– Många byggnader har symmetrier och givet en bild på en fasad kan det vara svårt att avgöra vilken sida av huset man befinner sig på. Liknande problem finns inomhus, där många byggnader har liknande planlösning på olika våningar, och många kontor som ser snarlika ut. En del av min forskning är att utveckla nya metoder som är bättre på att hantera dessa problem.
Detta är en bearbetning av en artikel från nyhetsbrevet Apropå. Text: Kristina Lindgärde
