Projektbeschreibung
Sicherere autonome Fahrzeuge Wirklichkeit werden lassen
Autonome Straßenfahrzeuge haben endlich ihren Weg in den Alltag gefunden. Autonome Fahrzeuge sind zwar ein wichtiger Schritt in die Zukunft, bringen jedoch auch verschiedene Herausforderungen. Das Wichtigste dabei ist es, absolute Sicherheit auf öffentlichen Straßen zu gewährleisten. Autonome Fahrzeuge auf dem neuesten Stand der Technik leiden immer noch unter einer schlechten Objekterkennung und Fehlalarmen. Oft besteht die Antwort in einer höheren Auflösung und kostenintensiveren Sensoren, die mit herkömmlichen Objekterkennungssystemen verbundene Probleme nicht immer beheben können. Das EU-finanzierte Projekt STV wird eine neuartige, auf einer bahnbrechenden neuen Architektur basierende Objekterkennungslösung entwickeln. Ziel ist es, kostengünstige Sensoren zu optimieren, Erkennungsraten zu verbessern, Fehlalarme zu reduzieren und erschwingliche, sichere autonome Fahrzeuge Wirklichkeit werden zu lassen.
Ziel
The automotive industry is amid a disruptive change highlighted by the entry of autonomous vehicles. However, at current stage,
self-driving cars technologies are not safe enough for operation on public roads. They suffer from too many missed detections and
high false alarm rates. Some autonomous vehicle developers have tried to overcome these problems by putting higher resolution
(and higher cost) sensors, yet they solutions still these suffer from inadequate perception.
There is a growing market consensus that the limitations of the current perception solutions (called ‘Environmental Models’) are
entrenched in their ‘Object level’ fusion architecture. This cannot be fixed by tweaking the algorithms, changing parameters or
adding more data for learning. A promising alternative solution is ‘Raw data fusion’ with roots in academia and now diffusing to
commercial projects.
VAYAVISION “Seeing the View” project is based on ‘Raw Data Fusion’ architecture with up-sample techniques to further increase the
effective resolution of sparse measurements from active sensors (LiDARs and RADARs). The solution constructs an accurate RGBd 3D
model based even on low cost sensors while enabling the perception algorithms richer data and a more comprehensive view of the
environment. Using Machine Vision algorithms and Deep Neural Networks, VAYAVISION detects very small obstacles (such as a
10cm high box) and has much better detection rates and with less false alarms than the legacy ‘Object Fusion’ solutions.
VAYAVISION’s raw data fusion platform is planned to enable a much safer and comfortable driving experience at an affordable
vehicle price. VAYAVISION solves the heart of autonomous driving challenge of correctly understanding the changing environment
of the vehicle by using ‘Raw Data Fusion’ and Up-sampling.
Wissenschaftliches Gebiet
- engineering and technologymechanical engineeringvehicle engineeringautomotive engineeringautonomous vehicles
- natural sciencescomputer and information sciencesartificial intelligencecomputer vision
- engineering and technologyelectrical engineering, electronic engineering, information engineeringinformation engineeringtelecommunicationsradio technologyradar
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringsensors
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SMEInst-2018-2020-2
Finanzierungsplan
SME-2 - SME instrument phase 2Koordinator
6037604 OR YEHUDA
Israel
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).