Kontinuerlig, aktiv federerad inlärning för dataströmmar

Projektet syftar till att främja utvecklingen av säkra självkörande fordon genom att förbättra AI-driven perceptionsförmåga, omvärldsförståelse och beslutsfattande, samtidigt som risker för både personlig integritet och nationell säkerhet minskar.

Vasagatan street in Stockholm with pedestrians, cars, and bicyclists.

Trafik i Stockholm, Foto av Agata Ciosek via Unsplash

Introduktion

Den ökade användningen av edge-enheter i fordon (sensorer som LiDAR, kameror etc.) har lett till att omfattande mängder data genereras, vilket skapar utmaningar för modellanpassningar i realtid, integritet och säkerhet. Genom projektet introducerar vi kontinuerlig federerad inlärning för dataströmmar för att göra det möjligt för federerad inlärning att fungera med stora volymer av ständigt inkommande realtidsdata vid enheterna.

Utmaningar

Existerande ramverk för federerad inlärning har i första hand utvecklats för statiska dataset, vilket kräver att enheten lagrar och itererar över lokalt tillgänglig data innan de globala modellerna uppdateras. För applikationer i fordon ser dock förutsättningarna annorlunda ut:

Fordon genererar kontinuerligt sensordata med hög frekvens.
Lagrings- och beräkningskapaciteten ombord är begränsad.
Anpassning i realtid är avgörande för autonom körning och avancerade förarstödsystem (ADAS).
Lagring och överföring av sensordata från fordon medför betydande säkerhetsrisker, särskilt i fall där fordon fångar upp känsliga miljöer (t.ex. regeringsbyggnader, militära anläggningar, privata fastigheter).

Detta projekt syftar till att hantera dessa domänspecifika utmaningar genom att begränsa inlärningen så att den anpassas till verkliga förhållanden. Detta medför följande tekniska utmaningar:

Utformning av aktiva inlärningskomponenter som fungerar med dataströmmar i liten skala.
Integrering av dessa aktiva inlärningskomponenter i ett system för federerad inlärning – vilket får modeller att lära sig från extremt lite kontext (dataströmmar snarare än dataset).
Utvärdera koncept som glömska och hantering av datadrift – vad händer när små modeller i fordonen börjar glömma tidigare lärdomar för att få plats med nya?
Att hitta träningsmetoder som fungerar för dataströmmar med begränsad kontext för att på så vis förbättra säkerheten i inlärningsmekanismen.

I takt med att fordonsindustrin fortsätter sitt arbete med AI-baserad automatisering är det en absolut nödvändighet att säkerställa att data kan användas för tryggare körning utan att kompromissa med integritet eller säkerhet. Detta projekt banar väg för en ny metod för realtidsbaserad federerad inlärning, vilket möjliggör kontinuerlig anpassning av AI-modellerna samtidigt som det uppfyller allt strängare reglering. Genom att tackla dessa utmaningar driver vi inte bara på utvecklingen av självkörande fordon – vi formar framtiden för säker och trygg, intelligent mobilitet.

Jonas Ekmark

Head of New Technology, Zenseact

Förväntade resultat

För att ta nästa steg för AI-drivna lösningar för trafiksäkerhet i ADAS och autonoma fordon (AD) är det avgörande att utveckla metoder för datainsamling och modellträning som inte äventyrar den personliga integriteten eller nationell säkerhet. Det är precis vad vi förväntar oss att det här projektet kommer att leverera.

Projektet ska utveckla de nödvändiga lösningarna för att säkerställa att svenska företag kan fortsätta att vara innovativa inom AI-driven mobilitet, samtidigt som de fullt ut följer de ständigt föränderliga lagkraven och skyddar såväl individers som nationella intressen. Den teknik som utvecklas är inte begränsad till fordonsapplikationer utan kommer att spridas för bredare användning inom svensk industri.

Vi är övertygade om att en lösning för federerad inlärning som kan hantera kontinuerliga dataströmmar är avgörande för nästa generations säkra, intelligenta transportsystem. Den säkerställer att modeller löpande och på ett säkert sätt kan förbättras, med full regelefterlevnad.

Vi förväntar oss att resultaten kommer att bidra till diskussioner om hur AI-baserad trafiksäkerhet bör regleras och stödja utformningen av regelverk för säkra, automatiserade fordon.