Federated Learning & Edge Processing for Safe and Efficient Operation

Bakgrund

Metoderna för insamling och bearbetning av data inom mobilitetssektorn har varit relativt oförändrade under de senaste två decennierna. Men nya utmaningar, som exempelvis elektromobilitet, kräver ett nytt tillvägagångssätt för att bygga dessa system med ökad flexibilitet i lagring och datahantering. Så kallad edge processing erbjuder potentialen för en ny dataloggningsinfrastruktur genom att minska överföringskostnaderna och sänka analysfördröjningen, vilket gynnar fordonstillverkare, vagnparksägare och förare.

Syfte och omfattning

FREEPORT-projektet syftar till att stödja transformation av elektromobilitet genom att ta itu med tre viktiga utmaningar som operatörer av tunga fordon står inför: effektivitet, säkerhet och drifttid.

Affärsvärdet och användningsfallen omfattar övervakning av elektriska komponenter som batterier och motorer, utveckling av grunder för användning av tredjepartstjänster i edge-enheter, förutsägelser om energiförbrukning för att optimera laddning och förbättrad funktionell säkerhet genom kontinuerlig övervakning för att varna operatörerna vid behov. Vi förväntar oss att demonstrera insamling och bearbetning av spetsdata för minst 20 fordon, med målet att ansluta 50 tunga elektriska lastbilar till projektets slut.

Planerat upplägg och genomförande

FREEPORT kommer att utveckla banbrytande dataanalysfunktioner på edge-komponenter: nya algoritmer för detektering av anomalier i realtid från fordon, ett mångsidigt ramverk för händelsebaserad datainsamling, en cybersäkerhetsmedveten arkitektur för säkerhetsvarningar i realtid, och jämförande utvärdering av state-of-the-art federerade inlärningsmetoder. Potentialen med edge computing och maskin-inlärning kommer att visas upp med hjälp av AI Sweden Edge Learning Lab för en bredare publik.