Welkom bij Kennisagenda Automatisch Rijden, een initiatief van het Ministerie van Infrastructuur en Waterstaat, Rijkswaterstaat en de RDW, om een online overzicht te geven van beschikbare en benodigde kennis op het gebied van automatisch rijden.

Het overzicht is verdeeld in een aantal kennisdomeinen om de diverse facetten in beeld te brengen. In de bibliotheek vindt u een uitgebreide collectie van rapporten, papers en presentaties, inclusief samenvattingen en achtergrondinformatie. De bibliotheek wordt wereldwijd gebruikt. Het laatste rapport over Ethiek werd in korte tijd 674 keer opgevraagd! Dagelijks worden ca 30 stukken gedownload.

De collectie kennisdocumenten wordt in Dropbox beheerd. Met Dropbox kunt u direct in de mappen met stukken en full tekst zoeken. Neem contact op met joop@veenis.net om toegang te verkrijgen tot de Dropbox.
Sinds 2015 houden we een lijst kennisvragen bij (de benodigde kennis). De collectie documenten geeft op steeds meer kennisvragen een antwoord. Er komen nieuwe vragen bij omdat we steeds verder zijn in de implementatie van “Connected Automated Driving”. De set kennisvragen omvat de onderwerpen automatisch rijden en Smart Mobility (ITS). Op het thema ITS zijn hier aanvullende overzichten met projecten beschikbaar. Ook ontwikkelen experts op thema’s kennis en standaarden; een overzicht staat hier .
De populaire kennisvragen zijn: 

TECHNICAL-Architectuur

100% Ja dat kan; nnLearning to Drive: Perception for Autonomous Cars Chapter 3 smooth road detectionnn‘’Accurate perception is a principal challenge of autonomous off-road driving. Perceptive technologies generally focus on obstacle avoidance. However, at high speed, terrain roughness is also important to control shock the vehicle experiences. The accuracy required to detect rough terrain is significantly greater than that necessary for obstacle avoidance. self-supervised learning approach for estimating the roughness of outdoor terrain. Our main application is the detection of small discontinuities that are likely to create significant shock for a high-speed robotic vehicle. By slowing, the vehicle can reduce the shock it experiences. Estimating roughness demands the detection of very small surface discontinuities – often a few centimeters. Thus the problem is significantly more challenging than finding obstacles.’’ Experimental results from this paper show that speed control – reduction  used offers significant improvement in shock  detection.nn80% Self-supervised Road Detection in Desert TerrainnnThe paper presents a method for identifying drivable surfaces in difficult unpaved and offroad terrain conditions as encountered in the DARPA Grand Challenge robot race. Instead of relying on a static, pre-computed road appearance model, this method adjusts its model to changing environments. It achieves robustness by combining sensor information from a laser range finder, a pose estimation system and a color camera. Using the first two modalities, the  system first identifies a nearby patch of drivable surface. Computer Vision then takes this patch and uses it to construct appearance models to find drivable surface outward into the far range. This information is put into a drivability map for the vehicle path planner.

Het kennisjaarverslag doet verslag van de kennisontwikkeling. Het geeft aan op welke kennisvragen er antwoorden en onderzoeken beschikbaar zijn gekomen. In december agenderen we de onderwerpen en kennisvragen voor onderzoek en proeven in het komende jaar. Momenteel wordt gewerkt aan de prioriteiten in de lijst met kennisvragen (AR+C-ITS), door oa IenW, RWS, Kennisinstellingen en Provincies, Steden, regio’s en proefprojecten.
Op deze site vindt u verder via het menu een overzicht van relevante congressen en evenementen en een collectie filmpjes en webinars. Nieuws en actuele ontwikkelingen worden middels de bibliotheek en twitterfeed (#KARNL) door ons bijgehouden. Elke week wordt veel kennis en materiaal toegevoegd aan de collectie, op alle kennisgebieden.