DART: Distributed AI for Robust and Trustworthy Autonomous Vehicles

Om projektet

DART (Distributed AI for Robust and Trustworthy Autonomous Vehicles) utvecklar nya metoder för distribuerad AI och federerad inlärning för autonoma fordon. Projektet gör det möjligt att träna AI-modeller på data som finns hos olika organisationer utan att rådata behöver delas, vilket stärker både integritet, cybersäkerhet och regelefterlevnad.

Varför behövs projektet?

Autonoma fordon genererar stora mängder sensordata som är värdefulla för att utveckla säkra och tillförlitliga AI-system. Samtidigt är dessa data ofta känsliga, proprietära eller säkerhetskritiska, vilket gör centraliserad datadelning svår. DART adresserar denna utmaning genom distribuerad AI, där modeller tränas lokalt hos respektive aktör samtidigt som kunskap delas mellan organisationer.

Lösning och innovation

Projektet kombinerar federerad inlärning, självövervakad inlärning (self-supervised learning) och kunskapsdestillering för att utveckla robusta och tillförlitliga AI-modeller för autonoma fordon. Tillsammans med NVIDIA FLARE utvärderas avancerade lösningar för säker, skalbar och integritetsbevarande AI-träning i distribuerade miljöer.

Nytta för samhälle och industri

Genom att möjliggöra AI-utveckling utan att känsliga data delas bidrar projektet till säkrare autonoma transportsystem, effektivare användning av dataresurser och minskad miljöpåverkan från storskalig dataöverföring. Resultaten kan även användas inom andra områden, såsom tillverkningsindustri, energi och smarta städer.

Projektpartner

Projektet genomförs i samarbete mellan RISE, Zenseact och NVIDIA FLARE. Tillsammans kombinerar parterna kompetens inom distribuerad AI, autonoma fordon och integritetsbevarande maskininlärning.