Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
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