Arkitektonisk design och verifiering/validering av system med maskininlärning komponenter

Viktiga resultat som projektet gav

De huvudsakliga målen uppnåddes. Projektet stärkte verifiering och validering av maskininlärningsbaserade fordonssystem genom metoder för att upptäcka dataläckage och utvärderingsbias, vilket ökade tillförlitligheten i testresultat. Det visade också att datakvalitet och datasetkonstruktion är arkitekturella frågor på systemnivå. Projektet resulterade dessutom i två licentiatavhandlingar.

Långsiktiga effekter som förväntas

Projektet förväntas ge långsiktiga effekter genom att förbättra tillförlitlighet, transparens och säkerhet i maskininlärningsbaserade fordonssystem. Genom att stärka metoder för verifiering och validering bidrar projektet till mer tillförlitliga tester och bättre beslutsfattande i systemutvecklingen. På längre sikt möjliggör resultaten en mer robust integration av maskininlärning i säkerhetskritiska system och bidrar till förbättrade industriella arbetssätt och framtida forskning.

Upplägg och genomförande

Projektet genomfördes i nära samarbete mellan industri och akademi. En styrgrupp med representanter från Volvo Cars och Göteborgs universitet höll veckovisa möten för att styra arbetet och säkerställa relevans. Forskningsarbetet utfördes huvudsakligen av två doktorander (en i taget), som båda avslutade sina licentiatexamina. Projektplanen förlängdes på grund av byte av doktorand under projektets gång. Det mesta av arbetet gjordes av doktoranderna med stöd från praktiker på Volvo Cars.