Projekt · Dnr 2023-00763 · Källa: Vinnova

Djupt multimodalt lärande för fordonstillämpningar

Koordinator
ZENSEACT AB
Projekttid
2023-09-01 till 2027-09-01 (beslutat)
Beviljat bidrag
12 262 880 SEK
Diarienummer
2023-00763

Beskrivning

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) Undersöka självövervakade inlärningstekniker för multimodal sensordata i en bilmiljö. (3) Förbättra perceptionssystemets förmåga att hantera sällsynta händelser, föremål och trafikanter på ett robust sätt. I detta projekt fokuserar vi på tekniker som kan förbättra noggrannheten och robustheten hos perceptionssystem för autonom körning och aktiv säkerhet. Därför förväntar vi oss att våra tekniker bidrar till ökad säkerhet för dessa fordon, vilket i sin tur kan påskynda allmänhetens införande av autonoma funktioner. Genom detta hoppas vi kunna bidra till en ökad säkerhet för alla trafikanter.

Öppna hos Vinnova

Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.

Liknande

  1. CLEARPATH - multimodal perception och AI för säker autonom navigering

    Örebro universitet · 2025-09-01 · 6 984 960 SEK · Projekt

    Projektet utvecklar robust perception för självkörande maskiner i framför allt gruv- och anläggningsindustri. Genom multimodal sensorfusion av 4D-radar, värmekamera, kamera och lidar möjliggörs säker navigering även vid damm, dimma och smutsiga sensorer. Målen är ökad säkerhet och effektivitet i svå…

  2. SHARPEN - Skalbara högautomatiserade fordon med robust perception

    EMBEDL AB · 2019-04-01 · 8 887 082 SEK · Projekt

    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, sam…

  3. Säkrare automatisering med friktionsuppskattning från däck- och perceptionsbaserad sensoravkänning (SAFE-RIDE)

    Volvo Personvagnar AB · 2025-11-19 · 3 278 500 SEK · Projekt

    Projektet är att utforma en inbyggd vägfriktionsberäknare genom aktiv sammanslagning av perceptionsbaserade och däckbaserade uppskattningar. En handfull toppmoderna AD/ADAS-funktioner kommer att studeras med hjälp av den sammanslagna friktionskunskapen. Med de framväxande datadrivna metoderna och hö…

  4. Effektiva och Generaliserbara Världsmodeller för Realtidsplanering i Autonoma Tunga Fordon

    Traton AB · 2026-06-01 · 6 442 912 SEK · Projekt

    Projektet syftar till att utveckla effektiva och generaliserbara världsmodeller för autonom körning i tunga fordon i realtid. Forskningen fokuserar på beräkningseffektiva multimodala representationer som möjliggör robust trajektoriplanering under strikta realtidskrav samtidigt som systemen kan gener…

  5. 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…