Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • 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
Machine Learning for Adaptive Cruise Control Target Selection
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Maskinlärning för målval för adaptiv fartreglering (Swedish)
Abstract [en]

Vehicles will be more complex, safe, and intelligent in the future. For instance, with the support of the advanced driver assistance system (ADAS), the safety and comfort of the driver and the passengers can be significantly improved. This degree project proposes data-driven solutions for adaptive cruise control (ACC) target selection that can be used to select one of the preceding vehicles as the primary target that similar to the choice of human drivers. This master degree project was carried out at Scania CV AB. A shared-network and a shared-LSTM network were used to select the primary target. Besides, A novel machine learning based target selection model (compare-target model) was designed, which can consider all neighboring vehicles together by comparing vehicles. A compare-target network and a compare-target XGBoost are developed based on the compare-target model. In total, four different machine learning methods were adopted to select the primary target for ACC, includ- ing a shared network, a shared-LSTM network, a compare-target network, and a compare-target XGBoost model. These methods were compared and analyzed. Fine-tuning was adopted to overcome the data imbalance problem of rare situations. The compare-target XGBoost can achieve 94.85% accuracy on the test set.

Abstract [sv]

Fordon kommer att vara mer komplexa, säkra och intelligenta i framtiden. Till exempel, med stöd av det avancerade förarassistanssystemet (ADAS) kan föraren och passagerarnas säkerhet och komfort förbättras avsevärt. Detta examensarbete föreslår datastyrda lösningar för målval för adaptivt fartreglering (ACC) för att välja ett av föregående fordon som det primära målet. Valet liknar det som människor gör. Arbetet genomfördes i samarbete med Scania CV AB. Ett delat nätverk och ett gemensamt LSTM-nätverk användes för att välja det primära målet. Dessutom har en ny maskinbaserad målvalsmodell (jämförelse-målmodell) utformats, vilken kan överväga alla närliggande fordon tillsammans genom att jämföra fordon. Ett jämför-mål-nätverk och ett jämförbart mål XGBoost utvecklas baserat på jämförelsemodellen. Totalt användes fyra olika maskininlärningsmetoder för att välja det primara målet för ACC, inklusive ett delat nätverk, ett gemensamt LSTM-nätverk, ett jämförelsemål-nätverk och en jämförbar XGBoost-modell. Dessa meto- der jämfördes och analyserades. Finjustering antogs för att motverka dataobalansproblemet för sällsynta situationer. Jämförelse-målet XGBoost kan uppnå 94.85% noggrannhet på testuppsättningen.

Place, publisher, year, edition, pages
2019. , p. 52
Series
TRITA-EECS-EX ; 2019:639
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-264918OAI: oai:DiVA.org:kth-264918DiVA, id: diva2:1375828
External cooperation
Scania AB
Supervisors
Examiners
Available from: 2019-12-09 Created: 2019-12-06 Last updated: 2019-12-09Bibliographically approved

Open Access in DiVA

fulltext(13959 kB)20 downloads
File information
File name FULLTEXT01.pdfFile size 13959 kBChecksum SHA-512
bd80144324720de6ee6d6cf5e37137c98c30ea30cdef5c05aed32de0b1ce8a84846f192028a9da94ab9a6e767554205bc1ae9151985eb9783571c699847a25dd
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 20 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: 86 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • 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