INFRASTRUKTUR OG SENSORTEKNOLOGI FOR SPILLE PÅ LAG · 2019. 1. 14. · x IoT x Regnekraft x AI x...

INFRASTRUKTUR OG SENSORTEKNOLOGI FOR SELVKJØRENDE BILER MÅSPILLE PÅ LAGTerje Moen, seniorrådgiverNVDB Digitalt navigerbart vegnettTeknologidagene 1. nov 2018

Bakgrunnsbilde: thecoolist.com

Dette foredraget handler ikke om førerløse kjøretøy!

2

Politiet: Trafikkuhell da bil trillet førerløs ut i dammen i Ranheimsfjæra. Ingen personskade, men elmotoren har det nok ikke så bra.

Men, hva sier vi da?

•Automatisert kjøring

•Selvkjørende kjøretøy

•Autonome kjøretøy

•Førerløs kjøring

3

Tren

der

og

dri

vere Automatisering

Sensorer Programvare

Fjernoppdatering XX1) 4.0

Digitalisering IoT

Regnekraft AI

Big Data 4G, 5G

Elektrifisering Fordeler

Batterikost Regenerering

Fornybar energi

TeM 2018

Samfunn og næringsliv

Delingsøkonomien Nye forretnings-

modeller Samfunnsansvar

(CSR)

1)

Industri 4.0 Transport 4.0

Bygg 4.0 ...4.0

Politiske føringer Lovverket

Klima & miljø NTP

AGVer (Automated guided vehicles ) på sykehus og i industri

Kilde: St. Olavs Hospital, Trondheim Kilde: TINE Jæren

AGVer på havner

6 Bilde fra Rotterdam havn

AUTOMATISERING AV VEGTRANSPORTEN,

SELVKJØRENDE BILER/KJØRETØY

Graden av automatisering, SAE J3016

Nivå 0Ingen

automatisering

av kjøringen

Nivå 1Førerstøtte

Nivå 2Delvis

automatisering

av kjøringen

Nivå 3Betinget

automatisering

av kjøringen

Nivå 4Høy

automatisering

av kjøringen

Nivå 5Full

automatisering

av kjøringen

Kilde: SAE J3016§

SAE J3016, Dynamic Driving Task (DDT)På norsk: Kjøreprosessen

TeM 2017

Detektering og håndtering av objekter og hendelser

Sidevegs kontroll av kjøretøyet

Kontroll av kjøretøyets fart

Ruteplanlegging

Operasjonelle funksjoner

Taktiske funksjoner

Strategiske funksjoner

Valg av rute i forhold til ankomsttid

Løpende planlegging og gjennomføring for å unngå uønskede objekter og hendelser

Grunnleggende kjøretøykontroll

Kjøretøyets bevegelse

Kjøreprosessen

Utfordringer rundt automatisering

Graden av automatisering

Nivå 0Ingen automatisering

av kjøringen

Nivå 1Førerstøtte

Nivå 2Delvis automatisering

av kjøringen

Nivå 3Betinget automatisering

av kjøringen

Nivå 4Høy automatisering av

kjøringen

Nivå 5Full automatisering av

kjøringen

§

TeM 2018

Førerbelastning og -ytelse

Fører belastning

Føre

r yt

else

lav

hø

y

lav høy

Optimal førerbelastning

The Yerkes–Dodson law

TeM

20

17

SAE J3016, Operational Design Domain (ODD)På norsk: Funksjonelt virkeområde

De spesifikke forholdene som det selvkjørende kjøretøyet er konstruert for å

fungere under

Kan beskrives av blant annet

Geografisk begrensninger

Type veg

Omgivelser inkl vær og føre

Lysforhold

Trafikkforhold

Tidsmessig begrensning

Hastighetsbegrensning

C-ITS: Samvirkende systemer og selvkjørende biler

Bilene "snakker" med hverandre og systemene rundt

• CAM (Cooperative Awareness Message) meldinger om et kjøretøys størrelse,

vekt, hastighet og retning etc.

• DENM (Decentralized Environmental Notification Message) meldinger om

vegomgivelsene og hendelser etc.

14

MEN VI ER IKKE HELT DER ENNÅ

15

Aktuelle sensorer for automatisert kjøring nå

• Satellitt (GNSS)

• Radar

• Lidar

• Kamera

• Ultralyd

• Odometer (distanse)

• Gyro (rotasjon)

• Akselerometer

• Magnetometer (kompass)

16

Shuttelbusser for første og siste del av

turen, samt i sløyfe. Konstruert for SAE

nivå 4, men sikter inn mot nivå 5.

Personbiler som "går gradene" fra SAE

nivå 0 til 4

To utviklingsretningerpersontransport

Og en tredje utviklingsretning…

18

Lastebiler konstruert for SAE nivå 4

Lastebiler som "går gradene" fra SAE

nivå 0 til 4

To utviklingsretningerlastebil

19

Bilde: Henrik Sandsjö, Chalmers University of Technology

Bilder: Einride

Volvo Vera

20

21

Lastebil platooning

NOEN UTFORDRINGER

22

Høyt gress forstyrret Badebussen på Fornebu

23

Det er ikke alltid "rett frem" å benytte vegmerkingen for et autonomt kjøretøy

24

LIDAR detekterer grener som henger ned fra trær og kjøretøyet stanser.

25

Illustrasjonsfoto

Krevende reguleringer

26

UTFORDRINGEN RUNDT DELING AV VEGEN MED MANUELT STYRTE BILER

27

Kjøreprosessen, føreropplæring

Sanse

Oppfatte

Beslutte

Handle

AtferdKjøretøyets reaksjoner

konstruksjon/virkemåte/egenskaperTeM 2017

Sanse

Oppfatte

Beslutte

Handle

AtferdKjøretøyets reaksjoner

konstruksjon/virkemåte/egenskaper

Sanse

Oppfatte

Beslutte

Handle

TeM 2017

Selvregulering

Dilemmasonen, Google patent 4. februar 2016:

Kort om patentet og hva det er ment å løse:

• Teknologi for å kunne bestemme av hvorvidt et selvkjørende kjøretøy skal stanse på gult trafikklys eller ikke

• Det å alltid bremse for alle gule lys behøver ikke være en god beslutning, da det har vist seg å føre til ulykker

• Dersom det er andre biler som følger tett bak et autonomt kjøretøy, forventer ikke disse en stans dersom det er tid nok til å kunne passere på gult

AUTONOME KJØRETØY BEHØVER TILPASSEDE KART

30

- There’s no Google Maps for self-driving cars, so this startup is building it! Elizabeth Woyke, MIT Technology Review October 4, 2018

In as little as 24 hours, Mapper will deliver a machine-readable map

of any place on earth with public roads.

https://www.technologyreview.com/s/612202/theres-no-google-maps-for-self-driving-cars-so-this-startup-is-building-it/

31

Noen kartleverandører og produkter

• HERE: HD Live Map

• TomTom: Map Share™

• Google Maps

• Apple Maps

• StartUps:• Mapper

• DeepMap

32

MÅ VEIENE TILPASSES SELVKJØRENDE KJØRETØY?

33

Tesla Model X, California, mars 2018

34

Bilde: Skjermdump fra ABC 7

Kamera, deteksjon av "kjørbare flater", sommer

Kilde: Autoliv AB

Kamera, deteksjon av "kjørbare flater", vinter

Kilde: Autoliv AB

TRAFIKKSIKKERHET

37

Regelverket i Norge aksepterer at selvkjørende kjøretøy gjør feil

• Trafikksikkerheten under utprøvingen skal værer minst like godt ivaretatt

som den ville ha blitt uten selvkjørende motorvogn, jf. lov om utprøving av

selvkjørende kjøretøy § 4.».

• Med andre ord kan utprøving tillates når sikkerheten er minst like god som

ved en menneskelig sjåfør. I 2017 døde 107 mennesker i trafikken i Norge –

med mennesker bak rattet.

38

Dagens ulykkesmengde

Risikobilde ved automatisering

Ulykker forårsaket av automatisering

Ulykker forhindret av automatisering

…men automatiserte systemer lærer av sine feil

FORSKNING

Forskningsutfordringer

• Brukeraksept, systemforståelse og tillit

• Effektvurderinger og endringer i trafikantatferd

• Økonomi og forretningsmodeller

• Evalueringsmodeller og analyseverktøy

• Posisjonerings- og kommunikasjonsteknologi

• Kunstig intelligens og maskinlæring

• Dataprosessering og håndtering av store datamengder

• Sikkerhet og personvern

• Lover og forskrifter

• Etikk

• Finansiert av Norges Forskningsråds program

Transport 2025. Varighet 2017 - 2020

Hvordan kan selvkjørende kjøretøy bidra til et bedre

kollektivtilbud?

• Evaluering av 5 piloter:

• Forus, Stavanger

• Fornebu (Badebussen)

• Kongsberg

• Oslo

• Gjøvik

• Effekter, brukerkrav, lovgivning,

forretningsmodeller

• Suksesskriterier, barrierer, rammebetingelser

SmartFeeder

(Prosjekteier)

(FoU partner)

Forskningsprosjektet SAREPTA

Sikre overgangen til et grønt, smart, trygt og sikkert automatisert transportsystem

Hovedfokus på veg- og sjøtransport, men henter inn kunnskap fra jernbane og luft

der det finnes og er relevant

1. Identifisere risiko og risikonivå

2. Beskrive infrastrukturens sårbarheter og trusler

3. Etablere tekniske, menneskelige og operasjonelle barrierer for å redusere

systemrisikoen i automatiserte systemer

4. Organisatoriske og menneskelige faktorer, samt regulatoriske tiltak for å redusere

risiko

SAREPTA: sikkerhetsbarrierer

KorrigerendeForebyggende

Teknologi for et bedre samfunn

terje.moen@sintef.no