AI och maskininlärning har accelererat utvecklingen av autonoma fordon. Genom att träna bilens system på en enorm mängd data kan bilen nu känna igen en parkeringsplats, en cyklist på vägen eller ett litet barn på gångbanan. Men hur mycket data är tillräckligt för att bilen inte ska ta fel? Och hur exakt måste datan och dess etiketter (parkering, cyklist, barn) vara? Detta är några av de frågor som projektet FAMER nu ska försöka svara på.
– Vi ska ta fram verktyg för hur alla aktörer i tillverkningsledet kan samarbeta och nå en punkt där samtliga känner sig trygga med att både mängd och kvaliteten på datan är tillräcklig för att systemet ska vara säkert, säger Eric Knauss, professor vid institutionen för data- och informationsteknik.
I september inledde han projektet FAMER (Facilitating Mulit-Party Engineering of Requirements) som ska pågå i tre år och finansieras av Vinnova. Projektet koordineras av Göteborgs universitet och utförs i samarbete med Kognic, RISE, Volvo Cars och Zenseact.
Hitta ett gemensamt språk
För att ta fram en autonom bil krävs en rad olika parter: ett företag skapar modellen för maskininlärning, ett annat ansvarar för kameran som tar bilderna, ett tredje för informationen kopplad till bilderna och så vidare. Det är en komplex process där alla aktörer behöver både förstå kraven som ställs på systemet, hur de olika kraven passar ihop och vilken aktör som har ansvar för vilket krav.
– Tidigare studier har visat att det är väldigt svårt för industrin att formulera dessa krav då olika discipliner har så olika språk. I detta projekt kommer vi bland annat arbeta fram gemensamma vokabulär, men även identifiera olika parters dokumentationsprocesser, och hur de kan kopplas ihop med varandra, säger Eric Knauss, och fortsätter:
– Detta är dessutom ett en iterativ process, nya utmaningar uppkommer under processens gång och kraven behöver därför revideras och omformuleras samtidigt som tillverkningen är i full gång. Det kräver förståelse och ett gemensamt språk, säger Eric Knauss.
Förståelsen är en kvalitetssäkring
Idag har vi inte exakt kunskap om hur mycket data som behövs för att träna ett autonomt fordon. För att garantera säkerheten samlar vi därför in alldeles för mycket data vilket gör att fordonet blir mycket dyrare än nödvändigt. Genom tydligt formulerade krav och en förståelse för olika parters arbetssätt kan man göra medvetna val i datainsamlingen och bearbetningen, konstaterar Eric Knauss. Medvetenheten motverkar fördomsfull data (att systemet exempelvis endast tränas på människor med en viss hårfärg eller kön) och ger tillverkarna en förståelse för vad som eventuellt saknas i datan.
– Vår förväntning är att projektet kommer göra det lättare att se om systemet behöver fler bilder på exempelvis barn i snö och regn, eller tydligare etiketter kopplade till bilderna. Genom en förståelse för de olika delarna i processen kan vi i högre utsträckning lita på att datan är kvalitativ och tillräcklig för att garantera säkerheten, säger Eric Knauss.
- Avdelningschef, Interaktionsdesign och Software Engineering, Data- och informationsteknik