SHARPEN - Skalbara högautomatiserade fordon med robust perception

Viktiga resultat som projektet gav

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, samt utveckling av nya metoder som bättre kan hantera dessa situationer. Projektet har också fokuserat på att ta dessa system närmre produktion genom att komprimera dem för att minska dess resursanvändande.

Långsiktiga effekter som förväntas

Våra resultat visar att man kan förbättra dagens system med användandet av syntetisk data och även signifikant minska kostnaden för annotering av data då vi visat att vi kan ersätta 90% av den annoterade datan med syntetisk data. Vidare har vi utvecklat metoder som kan syntetisera data från trasiga sensorer i fordon genom maskininlärning och andra sensorer. Vi har också utforskat bästa sättet för sensor fusion för objektigenkänning. Vi har också visat att med metoder utvecklade i projektet att vi kan reducera latensen för samma objektigenkänningssystem med över 60%.

Upplägg och genomförande

Vi har byggt ett interface till Carla Simulator, som är byggd i Unreal Engine, med semi-automatisk funktionalitet för att generera 3D världar med utmanande förhållanden. Sensoruppsättningen var baserad på den öppna databasen Kitty för utveckling av autonoma fordon. Vidare använde vi oss av Nvidias Jetson Xavier AGX som hårdvaruplattform för accelererad djupinlärning. Organisatoriskt genomfördes månadsmöten och ytterligare tekniska möten vid behov. Koordinerande partner vid start var Volvo GTT. Denna roll togs över av Embedl, som tillkom som partner under projektets gång.

Externa länkar

Github repo till SalsaNext Github repo till TitanNet Embedls hemsida Github repo till SalsaNext Repli5s hemsida