SMILE II - Säkerhetsanalys och verifiering/validering av system baserade på maskininlärning

Viktiga resultat som projektet gav

Målet med SMILE II är att utveckla och implementera ett säkerhetskoncept för att hjälpa automatiserade fordons perceptionssystem till att fatta pålitliga beslut. Perceptionssystem behövs för att möjliggöra automatisering och de kommer att baseras på djupa neurala nätverk (DNNs). DNNs måste bevisas vara tillräckligt säkra för att kunna användas i verkliga trafikmiljöer. Det är därför mycket viktigt för OEMs att utforska olika metoder för att förstå nätverkens prestanda. I SMILE II har vi byggt kunskap kring metoder som kan användas för att verifiera och validera DNNs.

Långsiktiga effekter som förväntas

Projektet har utvecklat både algoritmer, som implementerar safety-cages, samt två demonstratorer som visar projektets resultat. Kamerabilder används som input för båda demonstratorerna. En end-to-end-algoritm demonstrerades i VICTA Lab och två olika safety-cage koncept demonstrerades i Pro-SiVIC-simulatorn. Förutom utveckling av demonstratorer har resultaten presenterats för potentiella kunder och nya partners för vidareutveckling och nya affärsmöjligheter. Metoderna har även testats inom andra domäner, såsom hälso- och sjukvård.

Upplägg och genomförande

I början av projektet gjordes en undersökning av NN-baserade arkitekturer för objektdetektering. Safety-cage konceptet undersöktes och flera metoder har undersökts. Två demonstratorer har utförts framgångsrikt på en PC med Nvidia GPU, men det krävs ytterligare arbete för att implementera i en bilhårdvara. Under projektet har resultaten från SMILE II kontinuerligt använts som input till diskussioner kring att bygga piloter och produkter i autonom körning. Mer arbete behövs men på t.ex. Volvo anses denna metod vara en lovande strategi för ett problem som för närvarande är olöst.