Hoppa till huvudinnehåll

Federated Fleet Learning

Som ett resultat av att regler och lagar kring datadelning, säkerhet och lagring förändras, förväntas nuvarande metoder för modellträning att stå inför ökade utmaningar. Målet med detta projekt är att lösa dessa genom att vidareutveckla metoden kring decentraliserad träning av modeller för autonoma fordonsflottor.

Cars connected as an illustration of federated fleet learning

Bild AI genererad via ChatGPT

Utmaningar

Idag består träningsprocessen för AI-modeller inom området autonoma fordon vanligtvis av datainsamling, dataöverföring till en central träningshub, och därefter beräkningar i superdatoranläggningar. Detta tillvägagångssätt står dock inför betydande utmaningar eftersom förväntade förändringar i regelverket för datainsamling och internationell dataöverföring sannolikt kommer att göra den centraliserade metoden opraktisk. Dessutom medför överföring av stora datavolymer både betydande kostnader och längre ledtider. Därav finns det ett behov av innovativa lösningar för att möta dessa utmaningar och driva utvecklingen framåt inom området AI för autonoma fordon.

Syfte

Det här projektet syftar till att vidareutveckla federerat lärande för träning av AI-modeller i autonoma fordon. Dessutom kommer det att undersöka de tekniska förutsättningar som krävs för att implementera decentraliserade träningsstrategier. Värdet kommer att vara att varje fordon kan administrera sin egen inlärningsprocess, dra nytta av egna resurser och endast kommunicera lokala modellförbättringar för att federeras in i en global modell, samtidigt som utbytet av faktiska data elimineras.
Genom att dra nytta av AI Sweden's toppmoderna Edge Learning Lab och Zenseacts och Volvo Cars utvecklingsflottor och expertis kommer projektet att genomföras i en avancerad, samarbetsinriktad miljö för experiment och innovation. Dessutom kommer de utmaningar som tas upp och den kunskap som erhålls under projektets gång att vara till lika stor nytta för andra applikationer där det finns flera agenter och inbäddade beräkningsresurser, tex. satelliter, sjukhus, m.m.

Förväntade utfall

Målet är att generalisera den kunskap och know-how som genereras i projektet om vilka verktyg, topologier och systemkomponenter som bör användas i ett decentraliserat system i industriell skala, hur man administrerar träningen, och när man kan förvänta sig att den tränade AI-modellens prestanda uppfyller ställda mål. Den resulterande arkitekturen och designen kommer att ligga till grund för deltagande företag att definiera

  • krav för att integrera decentraliserad inlärning i den framtida utvecklingskedjan för autonoma fordon.
  • krav på hårdvaruprestanda för beräkning och datalagring i nästa generations fordonsplattform för att möjliggöra decentraliserad inlärning.
  • krav på en utvecklingsprocess för AI-modeller som utnyttjar decentraliserade lösningar för träning av modeller.

Erfarenheten och den generaliserade know-how som erhållits i projektet kommer senare att spridas av AI Sweden genom våra mekanismer för delning och överföring av kunskap till andra applikationer inom områden som rymd, hälsovård etc.

Fakta

Finansiering: Vinnova

Total projektbudget: 5 462 500 SEK

Projektperiod: Januari 2023 – Augusti 2025

Deltagare: AI Sweden, Volvo Cars och Zenseact

AI-teknik

Decentraliserat lärande är den underliggande tekniken i detta projekt. I följande video förklarar vi hur AI Sverige använder decentraliserad inlärning i ett nötskal. (Videon är på engelska).

För mer information, kontakta

 

A picture of Rasmus Maråk
Rasmus Maråk
Research Engineer
+46 (0)70-394 11 78