Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Grid Based Predictive Roadmap: Sensor Based Dynamic Creation of Large Scale Digital Road Maps for Look-ahead Applications in Heavy Duty Vehicles
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
2015 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Prediktiv Rutnätsbaserad Vägkarta (Swedish)
Abstract [en]

Advanced vehicle functionality is often based on knowledge about the road ahead of a vehicle. By using data from sensors, already available in modern trucks, a road map can be built and updated while driving. Such a map has the potential of providing knowledge about roads where no prior data are available, adopt to changes in the road network as well as providing information about the road further ahead of the vehicle than what sensors can provide. During the thesis work a gird based method of modelling a road network has been developed with an embedded implementation in mind. The work has been focused on building a map that can be used to make predictions about the upcoming road and its slope. The developed prototype has been evaluated and verified with recorded vehicle data. The result is a system that automatically builds and updates a map and that provides a continuously updated prediction of the road profile ahead of a vehicle. The result indicate that an embedded implementation is possible with a resolution high enough for the application with respect to memory usage. Recommendations for future work are to focus on how the prediction algorithm can be made smarter and more robust to handle more complex intersections as well as to evaluate how the grid based modelling approach is working in other use cases than highways, which is the case investigated in this thesis.

Abstract [sv]

Dagens moderna fordon blir alltmer intelligenta och innehåller alltmer funktioner som både förbättrar körbarhet, säkerhet och komforten för föraren. Många av dessa funktioner som exempelvis en adaptiv farthållaren, använder sig av så kallad look-ahead data för att optimera fordonets framförande. Somliga av dessa fordonsfunktioner kräver tillgång till information om den framförvarande vägen, betydligt längre bort än vad moderna sensorer kan tillhandahålla, för att fungera ordentligt. Lösningen på problemet är att använda en digital vägkarta som håller information om vägen från vilken den mest troliga färdvägen och dess attribut kan extraheras. Arbetet har inneburit konstruktion av ett system som genom att använda sensordata som redan finns tillgänglig i fordon för att bygga upp en digital vägkarta som kan användas till look-ahead funktioner. Till detta har en rutnätsbaserad metod använts för att modellera vägnätet för att kunna uppdatera kartan och göra prediktioner utifrån kartdatan. Systemet har sedan utvärderats mot referensdata i form av kartor och noggranna GPS-inspelningar. Resultatet är ett system som är kapabelt att kontinuerligt bygga och uppdatera en karta allt eftersom nya vägar upptäck och gamla återbesöks. Givet en startpunkt och riktning kan systemet även leverera en förutsägelse om den mest troliga färdvägen framöver. Resultatet visar att det är möjligt att bygga ett system som kan exekveras på ett inbyggt system med tillräckligt hög upplösning men tillräckligt låg minnesanvändning. Rekommendationer för framtida arbete innehåller bland annat utveckling av prediktionsalgoritmen så att den blir mer intelligent och klarar av att hantera mer komplexa vägstrukturer. Det är även av vikt att utvärdera systemet mot andra sorters körsituationer än motorvägskörning.

Place, publisher, year, edition, pages
2015. , 68 p.
Series
MMK 2015:84 MDA 518
National Category
Mechanical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-182642OAI: oai:DiVA.org:kth-182642DiVA: diva2:905244
External cooperation
Scania CV AB
Supervisors
Examiners
Available from: 2016-03-07 Created: 2016-02-22 Last updated: 2016-03-07Bibliographically approved

Open Access in DiVA

fulltext(9882 kB)119 downloads
File information
File name FULLTEXT01.pdfFile size 9882 kBChecksum SHA-512
a29102b2781b7cae06c5e7e322b27a50c30d3596f97b765087c7aab0dbb604b3bc5c735567fe630b6aae8cdacbfd12d14c00eaec8189c9d1e49dcecb8099d342
Type fulltextMimetype application/pdf

By organisation
Machine Design (Dept.)
Mechanical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 119 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 320 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf