Projekt · Dnr 2018-05001 · Källa: Vinnova
SHARPEN - Skalbara högautomatiserade fordon med robust perception
- Koordinator
- EMBEDL AB
- Projekttid
- 2019-04-01 till 2022-06-30 (avslutat)
- Beviljat bidrag
- 8 887 082 SEK
- Diarienummer
- 2018-05001
Beskrivning
Syftet med projektet var att förbättra dagens maskininlärningsmetoder baserad på djupinlärning att bli robustare i utmanande miljöer, såsom natt, regn snö och smuts på sensorerna. För att uppnå detta mål har både teknologi för att generera syntetisk data, där man kan kontrollera dessa variabler, samt utveckling av nya metoder som bättre kan hantera dessa situationer. Projektet har också fokuserat på att ta dessa system närmre produktion genom att komprimera dem för att minska dess resursanvändande. Våra resultat visar att man kan förbättra dagens system med användandet av syntetisk data och även signifikant minska kostnaden för annotering av data då vi visat att vi kan ersätta 90% av den annoterade datan med syntetisk data. Vidare har vi utvecklat metoder som kan syntetisera data från trasiga sensorer i fordon genom maskininlärning och andra sensorer. Vi har också utforskat bästa sättet för sensor fusion för objektigenkänning. Vi har också visat att med metoder utvecklade i projektet att vi kan reducera latensen för samma objektigenkänningssystem med över 60%.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
Djupt multimodalt lärande för fordonstillämpningar
ZENSEACT AB · 2023-09-01 · 12 262 880 SEK · Projekt
Syftet med projektet är att förbättra perceptionssystemet i autonoma fordon genom att utveckla avancerade data-drivna sensorfusionsmetoder. Vi kommer att fokusera på tre nyckelområden: (1) Utveckla nya fusionsarkitekturer och kraftfulla datarepresentationer för både dynamiska och statiska objekt. (2…
-
Virtuell realtidsprediktion av sensornedsmutsning
Chalmers Tekniska Högskola AB · 2022-04-01 · 4 767 746 SEK · Projekt
Projektets huvudsakliga mål bedöms ha uppnåtts. En rCFD-baserad metodik och ett industriellt arbetsflöde för snabb prediktion av kontaminantdeponering utvecklades, verifierades mot konventionell CFD och experimentella data samt tillämpades på ett fullskaligt fordon. Projektet gav också ny kunskap om…
-
PROSENSE - PROaktiv SENSorik för självkörande fordon
Scania CV AB · 2021-01-11 · 16 220 090 SEK · Projekt
PROSENSE är ett Vinnovafinansierat forskningsprojekt utfört av Scania i samarbete med KTH. Syftet har varit att utveckla nya förmågor inom detektion, tracking och prediktering av rörliga föremål (e.g. andra fordon), speciellt i miljöer där sensorer kan skymmas av andra föremål. Projektet har framför…
-
EUREKA EURIPIDES2 TRUST-E
RISE RESEARCH INSTITUTES OF SWEDEN AB · 2021-04-01 · 10 246 492 SEK · Projekt
Huvudmålet för TRUST-E var att ge ökad tillförlitlighet genom övervakning av funktionalitet och hälsa hos elektroniska system. Detta har uppfyllts genom utveckling av robust lokaliseringsteknik med flera sensormodaliteter på ett demonstratorfordon, omfattande och tillförlitliga övervaknings- och und…
-
Chips JU 2023 RIA VIVA
Sigma Connectivity AB · 2024-06-01 · 7 041 104 SEK · Projekt
Målet med VIVA-projektet är att utveckla en ögonföljningssensor med robust och banbrytande energibesparande teknologi som kommer att mäta ögon- och pupillposition vid höga samplingsfrekvenser. Detta kommer att möjliggöra ett beröringsfritt, distraktionsfritt informationsutbyte för flera spännande an…