The PRELAT project has addressed robustness of lateral positioning for lateral control of autonomous driving. The target application is automation of trucks for driving on highways. The project is focused on lateral control for which information on drivable road surface and lane markings are of primary interest. To improve perception for lateral control, the two main ideas pursued in the project have been to add a laser scanner to the camera and to deploy convolutional neural networks for the fusion and classification. The project has also worked on other components in the control loop such as path planning and lateral path following.

PRELAT (precision lateral control for highway automation) startade våren 2015 och har varit ett samarbete mellan Volvo Technology AB och Chalmers tekniska högskola. Målsättningen för PRELAT har varit att förbättra den laterala reglering för automatisering av förare. Det främsta användarfallet har varit autopilot för motorväg. Motorväg erbjuder en kontext som är relativt homogen jämfört stadsmiljö vilket medger att perceptionen och reglering kan nå en högre tillförlitlighet. Inte desto mindre finns det en hel del utmaningar för klassificering av statiska objekt, t ex smutsiga väglinjer, snötäckt vägbana, vägräcken, skarpa skuggor, svag belysning, och trafik som skymmer. Det är åtminstone två saker man vill ha ut från perceptionen: var väglinjerna är relativt fordonet och var det finns körbar vägyta. Det förstnämnda är viktigt för normal lateral filföljning och det andra för planering och beslut vid avvikelse från normal filföljning, t ex för att undvika hinder på vägen eller när väglinjer saknas. Ansatsen i PRELAT har varit att dels använda lidar för att förbättra perceptionen och dels att använda convolutional neural network för att fusionera data från i första hand kamera och lidar.