Härtill 3 uppsatser

Lic.-avh. (sammanfattning) Linköping : Linköpings universitet, 2022

Populärvetenskaplig sammanfattning: Under de senaste åren har fordonstillverkare visat ett enormt intresse för självkörande bilar. Ibland verkar det som att både nystartade tekniska företag och etablerade tillverkare är inställda på vad som liknar en ny rymdkapplöpning mot bilar utan förare. Maskininlärning har fört drömmen om sådana robotbilar inom räckvidd. Dock återstår många detaljer som behöver lösas på vägen. En sådan detalj är frågan om hur information om vägnätet – kärninfrastrukturen på vilken de självkörande bilarna kommer framföras – ska behandlas av datorerna. Under de senaste åren har Grafbaserade Neurala Nät (GNN) vunnit betydande popularitet. Ett GNN är en maskininlärningsmodell som är speciellt byggd för att behandla grafstrukturerad data. Vägnätet är ett exempel på grafstrukturerad data. Denna avhandling undersöker hur vägnätet bäst ska representeras för att behandlas med GNN. Vidare uppmärksammas brister i vägnätsdatan, vilka emellertid kan åtgärdas via ytterligare information. Bidragen i denna avhandling föreslår att tillföra information från GPS-sensorer eller satellitbilder. Denna avhandling innehåller tre bidrag och i alla tre används grafbaserade neurala nät för att klassificera vägar. Syftet med klassificeringen är att bestämma en vägs prioritet i vägnätet.

Connected and autonomous vehicles (CAVs) are an emerging trend in the transport sector and their impact on transportation, the economy, society and the environment will be tremendous. Knowledge of and interaction with the surrounding infrastructure and other actors in the system will be essential for CAVs in order to pave the way for progressive solutions to urgent sustainability and mobility issues in transportation. Road networks, i.e. the networks of roads and intersections, are the core infrastructure on which CAVs will operate. Thus, having detailed knowledge about them is key for CAVs in order to take the right decisions on both short-term actions that will affect individual traffic users in immediate situations and long-term actions that will affect entire transportation systems in the long run. Machine learning is nowadays a popular choice to extract and conglomerate knowledge from large amounts of data – and large amounts of data can be obtained about road networks. However, classical machine learning models are incapable of harnessing the graph-structured nature of road networks sufficiently. Graph neural networks (GNNs) are machine learning models of growing popularity that can explicitly leverage the complex topological structure of node dependencies in graphs, such as the ones observed in road networks. Road networks are sparse graphs that reside in a euclidean space, and therefore different to typical graphs studied in the literature. Also, crowd-sourced road network graphs often have incomplete attributes and are generally lacking the fine-grained level of detail in their encoded information that would be required for CAVs. Identifying the best representation of road network graphs and complementing their lacking detail with auxiliary data is therefore an important research direction. This thesis, therefore, addresses data-driven classification in road networks from two directions: A) the general approach of learning on spatial graphs of road network with GNNs, and B) complementing road network graphs with auxiliary data.