Descrizione del progetto
Veicoli autonomi più sicuri, una realtà a portata di mano
I veicoli stradali autonomi hanno finalmente iniziato a far parte della nostra vita quotidiana. Sebbene rappresentino un importante passo verso il futuro, essi presentano al contempo diverse sfide, la più importante delle quali è garantire una sicurezza assoluta sulle strade pubbliche. I veicoli autonomi all’avanguardia sono tuttora condizionati da alcune difficoltà, come un rilevamento degli oggetti di scarsa qualità e la produzione di falsi allarmi. La risposta, spesso, è quella di utilizzare sensori a maggiore risoluzione con un costo maggiore, che non riescono sempre a risolvere i problemi intrinseci nei sistemi di rilevamento degli oggetti più diffusi. Il progetto STV, finanziato dall’UE, svilupperà una nuova soluzione di rilevamento degli oggetti basata su una nuova e rivoluzionaria architettura. L’obiettivo è ottimizzare i sensori a basso costo, migliorare i tassi di rilevamento, ridurre i falsi allarmi e rendere i veicoli autonomi sicuri una realtà.
Obiettivo
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.
Campo scientifico
- 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
Programma(i)
Argomento(i)
Invito a presentare proposte
Vedi altri progetti per questo bandoBando secondario
H2020-SMEInst-2018-2020-2
Meccanismo di finanziamento
SME-2 - SME instrument phase 2Coordinatore
6037604 OR YEHUDA
Israele
L’organizzazione si è definita una PMI (piccola e media impresa) al momento della firma dell’accordo di sovvenzione.