Intelligent Secure Trustable Things

InSecTT - Intelligent Secure Trustable Things (smarta, säkra och pålitliga saker) - syftade till att föra samman tingens internet och artificiell intelligens för att uppnå den fulla potentialen av "Artificial Intelligence of Things". InSecTT är ett paneuropeiskt projekt med 52 partners från 12 länder som utvecklar intelligenta, säkra och pålitliga system för industriella tillämpningar som tillhandahåller kostnadseffektiva, säkra och intelligenta lösningar med interoperabilitet som möjliggör förening av Internet of Things och Artificial Intelligence.

Svenska InSecTT-resultat: (i) plattform för sammankopplade automatiserade fordon, (ii) end-to-end ML-plattform för förebyggande underhåll och anomalidetektering, (iii) övervakning/detektering av förardistraktion, (iv) fyra dataset: nätverkstrafik, fabrikssensordata och lidar data, (v) ML-tekniker för att upptäcka nätverksavvikelser, (vi) arkitekturmekanismer för dynamisk åtkomstkontroll och (vii) federerat lärande för upptäckt/klassificering av nätverksattacker som säkerställer funktions- och cybersäkra tillverkningsprocesser.

Den svenska delen av InSecTT koordinerades av RISE, med deltagande av ABB, KTH, MDU, RTE, TietoEvry och Westermo, med medverkan i demonstratorerna: (i) platoning av uppkopplat fordon med en minimal riskmanöver, (ii) (halv) autonomt fartyg, (iii) detektering av kördistraktion, (iv) anomalidetektering i industrikommunikationssystem och (iv) modulär glassfabrik. Westermos operativsystem utökades med en funktion för att köra applikationer i en container (för vissa produkter och vissa kunder).

Use case on "Driver Monitoring and Distraction Detection using AI": RISE bidrog med en teknisk implementering och en demonstrator för övervakning av förarbeteende och detektering av distraktion. Dessa distraktioner definieras som användning av enheter orelaterat till körning som varar längre än två sekunder och dessa är enligt forskning kopplade till en fördubbling av risken för en kollision. Vi övervakar sådan enhetsanvändning via: a) smartphone-sensorer, b) bärbara (smartklockor) sensorer och c) kamera för att märka händelserna. Vi använder AI-modeller på edge-enheter för identifiering av distraktioner från sensorerna och kamerorna. Den inspelade sensordatan presenteras sedan i en webbapplikation som sammansmälter information för att utbilda och träna förare.

https://youtu.be/bZW1eEvL57k