DREAM - Distribuerad, Robust och effektiv AI för Autonoma fordon

Detta projekt adresserar utmaningar med federerad inlärning för storskalig realtidsanvändning i autonoma fordon. System för autonoma fordon är beroende av stora mängder multimodala sensordata, där centraliserad bearbetning är opraktisk på grund av integritetsskäl och kommunikationsbegränsningar. Projektet syftar till att göra federerad inlärning mer effektiv genom att använda självövervakad inlärning för att träna modeller med huvudsakligen oannoterad data. Projektet kommer vidare att undersöka kunskapsdestillering (Knowledge distillation) som en möjlig lösning för att överföra kunskap mellan olika modeller med varierande arkitektur när plattformen ändras. 

För att effektivisera datautbytet vid federerad inlärning studeras metoder för komprimering och aggregering. En stor multimodal datamängd kommer att samlas in med hjälp av en fordonsflotta utrustad med sensorer. Denna datamängd kommer initialt att delas inom projektkonsortiet men med målsättningen att i förlängningen göra datamängden publik. Projektet bidrar till avancerad digitalisering av svensk industri.

Arbetet är viktigt för den svenska fordonsindustrin, men den kunskap och det kunnande som erhålls kommer att vara tillämpligt inom alla domäner som rör federerat lärande, multimodala data och där man har ett stort antal noder med begränsade inbäddade resurser. Projektet bygger på ett starkt samarbete mellan Zenseact, Scaleout, AI Sweden och RISE, och förväntas leda till robustare och effektivare distribuerade AI-system.