Målföljning och djup maskininlärning för trajektorieskattning med tillämpning mot noggranna referenssystem

Viktiga resultat som projektet gav

Målsättningen med projektet var att utveckla algoritmer för precis skattning av trajektoriorna för dynamiska objekt i närheten av egobilen. Noggrannheten skulle vara tillräckligt hög för att skattningarna skulle kunna anses vara sanningen. Från ett akademiskt perspektiv siktade projektet på att utveckla ett teoretiskt ramverk för att skatta multipla dynamiska objekt samt att leda till doktorsavhandling. De nämnda målen uppfylldes till största delen genom forskningen som utförts av en doktorand vid Chalmers högskola. Studenten avslutade sina studier framgångsrikt.

Långsiktiga effekter som förväntas

Detta projekt har gett upphov till betydande akademiska bidrag. Den forskning som genomförts under projektets gång har hjälpt till att etablera ett teoretiskt ramverk för skatta multipla dynamiska objekt. Dessutom har projektet genererat flera idéer angående användningen av djupinlärningsmetoder för spårning. Dessa idéer har legat till grund för många uppföljande doktorandprojekt. Inom projektets gång har totalt 6 masteruppsatser, en licentiatuppsats, en doktorsavhandling, 15 tidskriftsartiklar och 7 konferensartiklar skrivits.

Upplägg och genomförande

Projektet koordinerades av Zenuity AB från början och togs över av Zenseact AB från juli 2020. Koordinator på Zenuity AB och Zenseact AB var Dr. Daniel Svensson och senare blev Dr. Maryam Fatemi koordinator för projektet. Forskningen har huvudsakligen utförts av Yuxuan Xia, en doktorand som handledes av Prof. Lennart Svensson vid Chalmers universitet. Dr. Karl Granström som var på Chalmers högskola i början av detta projekt bidrog också till detta projekt. Doktoranden avslutade sina studier framgångsrikt och gjorde betydande insatser på sin resa.