The VAMLAV project set out to create a dataset that includes the computer vision sensors that many Advanced Driver-Assistance System (ADAS) and Automated Driving Systems (ADS) vehicles use and complement them with a high-definition (HD)-map over a known geographic area. The VAMLAV dataset includes sensors such as camera, Light Detection and Ranging (LiDAR), Inertial Measurement Units (IMUs), and Global navigation satellite system (GNSS) sensors. This dataset, publicly available at AI Sweden, offers a corresponding HD-map in OpenDRIVE format covering the Rural Road at AstaZero. The dataset includes adverse weather, multiple maps and drives around the track with emulated traffic work scenarios that can occur. Beyond creating the dataset, the project aimed to validate HD-maps by comparing them to other measurement technologies. It delved deeper into localization for ADS vehicles by comparing various measurement campaigns and designing high-accuracy anchor points. This data was later used to validate and update the HD-map. By comparing different measurement systems and samples on the map, the project hopes to increase the trust in the HD-map over a longer time. This data also makes it possible to experiment more within the field of crowdsourced HD-maps from different systems while having an easier time measuring the accuracy of such maps. Another big part of the project was related to safety therefore some data was collected where the project emulates traffic work at AstaZero. This use case is otherwise difficult to test and evaluate due to the stochastic nature of traffic work in real life. Where the system detected the traffic work with the help of map and sensor data and then distributed the information to other cars in the area.

VAMLAV-projektet inleddes med målet att skapa ett dataset som inkluderar de datorseendesensorer som många fordon med avancerade förarstödsystem (ADAS) och automatiserade körsystem (ADS) använder och kompletterar dem med en högupplöst (HD) karta över ett känt geografiskt område. VAMLAV-datasetet inkluderar sensorer som kamera, ljusdetektion och avståndsmätning (LiDAR), tröghetsmätenheter (IMUs) och Globala navigationssatellitsystem (GNSS) sensorer. Detta dataset, som är offentligt tillgängligt hos AI Sweden, erbjuder en motsvarande HD-karta i OpenDRIVE-format som täcker landsvägen vid AstaZero. Datasetet inkluderar ogynnsamt väder, flera kartor och körningar runt banan med emulerade trafikarbetscenarier som kan inträffa. Utöver att skapa datasetet ämnade projektet att validera HD-kartor genom att jämföra dem med andra mätteknologier. Det fördjupade sig mer i lokalisering för ADS-fordon genom att jämföra olika mätkampanjer och designa högprecisionsankarpunkter. Denna data användes senare för att validera och uppdatera HD-kartan. Genom att jämföra olika mätsystem och prov på kartan hoppas projektet öka förtroendet för HD-kartan över en längre tid. Denna data gör det också möjligt att experimentera mer inom området för crowdsourcade HD-kartor från olika system samtidigt som det blir lättare att mäta noggrannheten av sådana kartor. En annan stor del av projektet var relaterad till säkerhet, därför samlades en del data in där projektet emulerade trafikarbete vid AstaZero. Detta användningsfall är annars svårt att testa och utvärdera på grund av den stokastiska karaktären av trafikarbetet i verkliga livet. Där systemet upptäckte trafikarbetet med hjälp av kart- och sensordata och sedan distribuerade informationen till andra bilar i området.