Dynamic Speed Adaptation for Curves using Machine Learning

• Main Author: Narmack, Kirilll
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2018
• Subjects: Machine; Learning; Artificial; Intelligence; MachineLearning; Machine-Learning; AI; ML; MLP; Neural; Networks; Multilayer-Perceptron; RFB; RBF-Network; Vehicle; Automation; AutonomousVehicles; Autonomous; SelfDriving; Self-Driving; Self; Driving; Curve; Speed; Adaptation; Adaption; CSA; ACC; Adaptive; Cruise; Control; Style; Driver; Behavior; Behaviour; Sample; Samples; Distance; Derivative; Velocity; Curvature; Road; Inclination; Lane; Width; Type; Acceleration; Longitudinal; Lateral; Data; Training; Test; Validation; Results; Discussion; Sustainability; Ethics; Ethical; Sustainable; Future; Today; Tomorrow; Yesterday; Robot; Robotics; System; Systems; Class; Classes; Bin; Bins; Tree; One; A; Dynamic; Using; Time; Delay; Volvo; Car; Cars; Corporation; Zenuity; School; Computer; Science; Master; Degree; Project; Thesis; Paper; Object; GPS; Map; Length; Research; Advanced; Машинное; Обучение; Искусственный; Интеллект; RBF; Автомобиль; Машына; Сеть; Робот; Водитель; Заворот; Дорога; Сам; Сама; Едет; Ехать; Учить; Учит; Учится; Автоматизация; Адаптация; Результат; Один; Одна; Одно; Вчера; Сегодня; Завтра; Дерево; Карта; ГПС; Информатика; Компьютер; Наука; Научная; Работа; Школа; Вольво; Завод; Транспорт; Maskininlärning; Artificiell; Intelligens; Inlärning; Maskin; Neurala; Nätverk; Artificiella; Själv; Självkörande; Körande; Bil; Fordon; Robotik; Körstil; Stil; Beteende; Kurva; Lutning; Väg; Farthållare; Hastighet; Fart; Hållare; Körfält; Fält; Spår; Bredd; Typ; Longitudinell; Traingin; Resultat; Diskussion; Längd; Hållbarhet; Etik; Etiskt; Framtid; Dåtid; Idag; Imorgon; Klass; Classer; Klasser; Träd; En; Ett; Fler; Flera; Dynamisk; Använda; Tid; Fördröjning; Tids; Skola; Dator; Vetenskap; Forkning; Avancerad; Projekt; Exjobb; Examensarbete; Betyg; Karta; Computer Sciences; Datavetenskap (datalogi)
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-233545

The vehicles of tomorrow will be more sophisticated, intelligent and safe than the vehicles of today. The future is leaning towards fully autonomous vehicles. This degree project provides a data driven solution for a speed adaptation system that can be used to compute a vehicle speed for curves, suitable for the underlying driving style of the driver, road properties and weather conditions. A speed adaptation system for curves aims to compute a vehicle speed suitable for curves that can be used in Advanced Driver Assistance Systems (ADAS) or in Autonomous Driving (AD) applications. This degree project was carried out at Volvo Car Corporation. Literature in the field of speed adaptation systems and factors affecting the vehicle speed in curves was reviewed. Naturalistic driving data was both collected by driving and extracted from Volvo's data base and further processed. A novel speed adaptation system for curves was invented, implemented and evaluated. This speed adaptation system is able to compute a vehicle speed suitable for the underlying driving style of the driver, road properties and weather conditions. Two different artificial neural networks and two mathematical models were used to compute the desired vehicle speed in curves. These methods were compared and evaluated. === Morgondagens fordon kommer att vara mer sofistikerade, intelligenta och säkra än dagens fordon. Framtiden lutar mot fullständigt autonoma fordon. Detta examensarbete tillhandahåller en datadriven lösning för ett hastighetsanpassningssystem som kan beräkna ett fordons hastighet i kurvor som är lämpligt för förarens körstil, vägens egenskaper och rådande väder. Ett hastighetsanpassningssystem för kurvor har som mål att beräkna en fordonshastighet för kurvor som kan användas i Advanced Driver Assistance Systems (ADAS) eller Autonomous Driving (AD) applikationer. Detta examensarbete utfördes på Volvo Car Corporation. Litteratur kring hastighetsanpassningssystem samt faktorer som påverkar ett fordons hastighet i kurvor studerades. Naturalistisk bilkörningsdata samlades genom att köra bil samt extraherades från Volvos databas och bearbetades. Ett nytt hastighetsanpassningssystem uppfanns, implementerades samt utvärderades. Hastighetsanpassningssystemet visade sig vara kapabelt till att beräkna en lämplig fordonshastighet för förarens körstil under rådande väderförhållanden och vägens egenskaper. Två olika artificiella neuronnätverk samt två matematiska modeller användes för att beräkna fordonets hastighet. Dessa metoder jämfördes och utvärderades.