Bilindustrien, sammen med programvare- og maskinvareutviklere, tar stadig nye steg i utviklingen av sensorer og kunstig intelligens (KI) for å gjøre kjøretøy i stand til å "se" og "føle" veien. Automatiserte og oppkoblede kjøretøy (CAVs) har potensial til å forbedre trafikksikkerheten og bidra til et mer effektivt transportsystem. Samtidig er det fra myndighetenes side et stort behov for mer vitenskapelig kunnskap om KI og CAVs, ettersom bilindustrien ofte ikke deler informasjon om hvor godt de automatiserte systemene faktisk fungerer.
I de nordiske landene er det særlig behov for forskning som undersøker begrensningene ved slike systemer under nordiske forhold. Det er også viktig å vurdere om det må stilles nye krav til vegutforming og vintervedlikehold for å støtte automatisert kjøring.
I dette prosjektet benytter vi vår egen forskningsplattform for automatisert kjøring og samler inn data fra en Kia utstyrt med NVIDIA drive-by-wire-kit. Målet er å undersøke hvor maskinlesbare norske veier er, og å utforske nye metoder for hvordan kjøretøy kan identifisere kjørbare områder. MCSINC baserer alle prosjektaktiviteter på eksperimenter og uttesting, noe som gjør det mulig å teste teknologi i praksis, samle relevante aktører og identifisere felles utfordringer. I tillegg til teknologiske aspekter, adresserer prosjektet også ikke-teknologiske problemstillinger som regulering, politikk, styring, standarder og forretningsmodeller. Å løse disse utfordringene krever tverrfaglig samarbeid mellom samfunnsvitenskap, vegplanlegging og informatikk.
Prosjektet har blant annet jobbet med en teststrekning på E39 over Hemnekjølen, en fjellovergang hvor vegstikker er målt inn med RTK-GNSS for å etablere en nøyaktig referanse. Disse stikkene kan inngå i et HD-kart. Det er utviklet algoritmer for å gjenkjenne stikkene, og vi har testet om bilen kan identifisere dem ved hjelp av LiDAR og kamera. Ved å bruke de innmålte stikkene har vi undersøkt om bilen kan bruke dem til å bestemme sin posisjon – både som støtte til GNSS og som alternativ ved GNSS-bortfall. Resultater viser at algoritmene er effektive i å gjenkjenne stikkene, og at navigasjon basert på disse gir en positiv effekt på bilens posisjoneringsevne. I tillegg har prosjektet jobbet med generering av HD-kart basert på LiDAR- og kamerateknologi, med særlig fokus på vegoppmerking.
Vi har også utforsket de endrede ansvarsområdene til infrastrukturforvaltere og myndigheter i lys av økende automatisering av kjøretøy, med utgangspunkt i perspektivet til norske veimyndigheter. Etter hvert som automatisering blir mer utbredt i blandet trafikk, stilles det nye krav til både fysisk og digital infrastruktur. Gjennom en scenariobasert metode har vi samlet innsikt fra veieiere, infrastrukturforvaltere og regionale myndigheter for å identifisere sentrale utfordringer og muligheter knyttet til styring av automatisert transport. Funnene peker på fragmenterte styringsstrukturer og et akutt behov for helhetlige nasjonale strategier som kan støtte samarbeid og kapasitetsbygging. Infrastruktur må prioriteres strategisk, med særlig fokus på korridorer med stor betydning og tilgang til sanntidsinformasjon. Deltakerne understreker viktigheten av robuste digitale økosystemer, sterk cybersikkerhet – spesielt i nordlige områder – og juridisk klarhet rundt eierskap til data og systeminteroperabilitet.
The vehicle industry and software and hardware providers are rapidly developing sensor systems and artificial intelligence (AI) methods for sensing the road environment. Connected and Automated Vehicles (CAVs) are argued to have a large potential for accelerating traffic safety and efficiency. There is a strong need for more open scientific studies publishing AI software and results on CAV technology which give valuable insight to road authorities, information which is not available from the vehicle industry today. In addition, in Nordic countries more scientific studies on the limitations of these technologies caused by Nordic conditions is needed, and exploring how these limitations may set other requirements for road design and winter maintenance
We utilize our own research platform for automated driving, i.e. a vehicle with automated driving capabilities, and data from instrumented vehicles to gain knowledge on how to establish a machine sensible road environment in the Nordic region and explore how standards for road design and maintenance should be adjusted in this regard. The proprietary nature of vehicle technologies makes a research platform for automated driving particularly important for gaining scientific knowledge on how these systems work on existing infrastructure and in real traffic.
We use pilot activities as the backbone of the project, and aim at solving technological and non-technological challenges simultaneously. The non-technological challenges include development of governance, regulations, policies, standards and business models. Solving these challenges requires a coupling between the traditional fields of human factors, road planning and design and the field of computer science.
