Ökad trafiksäkerhet med hjälp av artificiell intelligens
Självkörande fordon är ett av de hetaste ämnena inom teknik och transport just nu och det finns flera fördelar med dessa fordon. Samtidigt finns det också risker att beakta med självkörande teknik. Magnus Löwenadler, doktorand vid Högskolan i Halmstad, forskar tillsammans med Volvo Group om nya metoder för att upptäcka fel och avvikelser från normal drift, både i dagens lastbilar och bussar, samt i framtida autonoma tunga fordon.
Utveckling av tekniken för självkörande fordon går snabbt och inom en snar framtid förväntas bilar och bussar att vara ute och köra på våra vägar. Men för att detta ska kunna ske på ett trafiksäkert sätt måste vi säkerställa att självkörande fordon uppfyller säkerhetskraven så att olyckor kan undvikas.
– Majoriteten av utvecklingen just nu gäller själva körandet – att hålla sig på vägen, samspela med annan trafik, undvika kollisioner och så vidare, säger Magnus Löwenadler.
Även om det redan har gjorts stora framsteg inom körområdet menar Magnus Löwenadler att det behövs mer utveckling även inom andra områden.
– Utan en förare ombord som kan göra observationer och vidta åtgärder behöver ett självkörande fordon även ha uppmärksamhet på dess egen funktion. Fordonet behöver exempelvis kunna upptäcka ett allvarligt fel för att då avbryta körningen och på så sätt undvika fara.
AI identifierar mönster och avvikelser
En stor del av Magnus Löwenadlers forskning fokuserar på trafiksäkerhet genom att använda artificiell intelligens (AI) för att identifiera avvikelser från normal funktion.
– De många sensorer och system ombord på moderna fordon genererar stora mängder data som oerhört detaljerat beskriver hur de fungerar i form av tryck, temperaturer, spänningar, varvtal, acceleration, styrvinkel, med mera. AI kan lära sig att känna igen mönster i datan och därför också känna igen avvikelser från mönstren, berättar Magnus Löwenadler.
Magnus Löwenadler liknar metoderna vid ett slags sinne, som om fordonet skulle kunna uppleva stelhet, smärta eller trötthet, fast det i verkligheten bara handlar om matematik. Dessa metoder skulle då kunna utnyttjas för exempelvis prediktivt underhåll – en teknik som använder data och analyser för att förutse och förhindra problem innan de inträffar. Han förklarar:
– En liten och ofarlig men tilltagande ”stelhet” skulle kunna vara ett tecken på att det är dags att utföra en underhållsåtgärd. Man skulle i god tid kunna planera in ett verkstadsbesök och inspektera och eventuellt justera, reparera eller byta en felande komponent.
Trafiksäkerhet i fokus
Magnus Löwenadlers forskning görs tillsammans med Volvo Group – ett företag där trafiksäkerhet är en central del i verksamheten.
– Säkerhet är ett kärnvärde för Volvo Group och det är en självklarhet att en autonom lastbil ska köra på ett säkert och pålitligt sätt. Eftersom självkörande fordon är tänkta att i framtiden använda vårt allmänna vägnät krävs det att autonoma lastbilar och andra fordon ska köra på ett, för alla väganvändare, säkert och pålitligt sätt, förklarar Magnus Löwenadler.
Felsökning av avvikelser är en nödvändighet för att autonoma fordon ska kunna fatta beslut om att avbryta en körning vid allvarliga fel. Magnus Löwenadlers metoder kan i framtiden komma att bidra till ökad tillförlitlighet och förbättrad driftsäkerhet hos självkörande fordon.
– Nästa steg är att konstruera de AI-modeller som ska lära sig att detektera avvikelserna och träna dem på en mycket stor mängd data, avslutar Magnus Löwenadler.
Text: Ida Hammar
Foto: Katarina Tran