FFI - Learning Fleet. Transporteffektivitetsdagen Hans.Deragarden@Volvo.com

Transkript

1 FFI - Learning Fleet Transporteffektivitetsdagen Hans.Deragarden@Volvo.com

2 Bakgrund Varför Learning Fleet? Möjlighet: Rutt- och fordonsadaptation mot dynamiska vägattribut som trafikflöden, halka, olyckor, mm, kan spara tid, bränsle och liv! Utmaningar: Dynamisk data är inte alltid tillgänglig från myndigheter och andra leverantörer Statisk kartdata är inte alltid up-to-date eller komplett Kartdata från olika källor kan vara svår att relatera noggrant till position på väglänk (sk map matching ). V2X kommunikationsstandard (802.11p) är under utveckling men 3g- och 4g kommunikation blir allt vanligare Enskilda, parallella implmentationer ger högre kostnader Generisk arkitektur och verktyg för att samla, aggregera och dela kartrelaterad fordonsdata behövs! I-See extended RSI 2

3 Learning Fleet koncept - Hur Learning Fleet? Learning truck jämför upplevelser utmed vägen med motsvarande data i sin karta och delar med sig av relevant data till Back Office Systems och vidare till andra fordon 3 Date

4 Preliminär systemarkitektur 4

5 Mål Projektets mål är att identifiera och utvärdera: ett strukturerat och effektivt sätt att stödja avvikelserapporter och uppdatering av statiska- och dynamiska kartattribut (inklusive realtidshändelser). sätt att dela kartrelaterad information mellan olika system och fordon (flottor) tillsammans med traditionell fordons- och åkeridata. mervärdet av några applikationer och deras tjänster och business case för flottägare, fordonstillverkare och partners (tex Trafikverket). Erfarenheterna kommer att dokumenteras i följande leverabler: Krav- och arkitekturspecifikationer Beskrivning av prototyp och systemkomponenter Business case study Exempelimplementationer: Volvo: Hazard warning (varning för låg friktion, incidenter och långsam trafik) Triona: Dynamisk navigation Högskolan i Halmstad: Normaliserad bränsleförbrukningsmodell 5

6 Status Sept 2014 Start Slut Projektets mål är att identifiera och utvärdera: ett strukturerat och effektivt sätt att stödja avvikelserapporter och uppdatering av statiska- och dynamiska kartattribut (inklusive realtidshändelser). sätt att dela kartrelaterad information mellan olika system och fordon (flottor) tillsammans med traditionell fordons- och åkeridata. mervärdet av några applikationer och deras tjänster och business case för flottägare, fordonstillverkare och partners (tex Trafikverket). Erfarenheterna kommer att dokumenteras i följande leverabler: Krav- och arkitekturspecifikationer Preliminär version (uppdatering 2015) Beskrivning av prototyp och systemkomponenter Implementation pågår Business case study Implementation pågår Exempelimplementationer: Volvo: Hazard warning (varning för låg friktion, incidenter och långsam trafik) Triona: Dynamisk navigation Högskolan i Halmstad: Normaliserad bränsleförbrukningsmodell 6

7 Frågor? 7

8 Project partners & timeline Total budget Planned work Expected roles (MSEK) (Work Packages) Volvo 8,7 All Project coordinator, system- and service architecture design from a vehicle maker point of view. Volvo will also contribute to system- and data requirements specifications and implementation of prototypes system University of 0,7 WP2 Statistical Analysis for fuel impact estimation Halmstad Triona 1,8 WP1, WP2 Map-matching (GPS-track on road elements) and route planning applications, Triona will also contribute in the development of prototype functionalities for vehicle applications using learning fleet data. Total 11,2 Project timeline:

9 Project budget SPECIFICATION OF APPLICANT'S COSTS IN RESPECT OF THE AMOUNT APPLIED FOR FROM VINNOVA. TOTAL Wages Services Equipment Material Administrative costs Travel Miscellaneous TOTAL The following figures can be used to complete the project's application at VINNOVA's Portal for Interested Parties, page 5 "Joint Financing". Own investments in TOTAL addition to amount applied for from Vinnova 9

10 Project team Partner Name Role Telephone Högskolan i Halmstad Slawomir Nowaczyk Applications +46 (0) Högskolan i Halmstad Iulian Carpatorea Applications iulian.carpatorea@g mail.com +46 (0) Triona Per Olof Svensk Arhitecture, Applications Triona Peter Löfås Arhitecture, Applications Volvo Hans Deragården Project manager, Architecture, Applications Volvo Anders Karlsson Arhitecture Applications Peo.Svensk@triona.se Peter.Lofas@triona. se Hans.Deragarden@ volvo.com Anders.Karlsson@v olvo.com Volvo Daniel Zackrisson Business case Daniel.Zackrisson@ volvo.com Volvo Marcus Elmer Applications Marcus.Elmer@volv o.com

11 WP content WP1, Learning Fleet & data Architecture and requirements Map learning. Storage/processing on-board and reporting of deviation data to back office. Volvo map DB on back office server. Map data feed to vehicles. On-board map data buffer and on board position-to-map matching. WP2, Applications using learning fleet data Dynamic, safe and fuel efficient navigation. Longitudinal- and lateral control applications. Vehicle statistics & configuration tools. WP3, Service & business model investigation Service exploration & conceptualistion, input to use case design Explore and assess value to costumer Explore value to Volvo and other stakeholders i.e. Trafikverket Dealer & brand input GPPL input Design potential business models i.e. integrated features or stand-alone service offerings. Ownership of data. Potential legal issues. WP4, Visualisation- & validation tool Visualisation tool for verification and demonstration of concept, architecture and applications 11

12 WP1 - Learning Fleet & data Architecture and requirements Map learning. Storage/processing onboard and reporting of deviation data to back office. Volvo map DB on back office server. Map data feed to vehicles. On-board map data buffer and on board position-to-map matching. 12

13 WP2 - Applications using learning fleet data Dynamic safe and fuel efficient navigation. What number of probes are needed? Which data is relevant data, precision and update rate to support routing/re-routing? Longitudinal- and lateral control applications. Hazard warning Path prediction based on historic routes Road geometry enhancement and completeness. Vehicle statistics & configuration tools. Engineering tool for collecting FOT data Fuel FEET, see next page 13

14 FuelFEET What do we need to model fuel consumption?...and what influences it the most? and can we find particularly beneficial or unwanted behavior in our drivers?

15 WP3 Service & business model investigation WP3, Service & business model investigation Service exploration & conceptualistion, input to use case design Explore and assess value to costumer Explore value to other stakeholders i.e. Trafikverket Explore value to Volvo Dealer & brand input GPPL input Design potential business models i.e. integrated features or stand-alone service offerings. Ownership of data, legal issues. 15

16 WP4 - Visualisation tool simulation of fleet member vehicles on the road network is necessary since real fleet tests are too expensive. Visualisation of functionlities and statistics is valuable both during development and demonstration. Specifications of the visualistion tool is not yet decided. 16