Descripción del proyecto
Convertir en realidad unos vehículos autónomos más seguros
Los vehículos autónomos de carretera han llegado por fin a la vida cotidiana. Aunque son un paso importante hacia el futuro, los vehículos autónomos también presentan varios retos. El principal es garantizar la seguridad absoluta en las vías públicas. Los vehículos autónomos de última generación siguen adoleciendo de una mala detección de objetos y de falsas alarmas. A menudo, la respuesta son sensores de mayor resolución y coste que no siempre pueden resolver los problemas inherentes a los sistemas comunes de detección de objetos. En el proyecto STV, financiado con fondos europeos, se desarrollará una tecnología novedosa de detección de objetos basada en una estructura innovadora y revolucionaria. El objetivo es optimizar los sensores de bajo coste, mejorar los índices de detección, reducir las falsas alarmas y convertir en realidad unos vehículos autónomos asequibles y seguros.
Objetivo
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.
Ámbito científico
- 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
Programa(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaConvocatoria de subcontratación
H2020-SMEInst-2018-2020-2
Régimen de financiación
SME-2 - SME instrument phase 2Coordinador
6037604 OR YEHUDA
Israel
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.