Automatisk design av säkra, med hög prestanda och kompakta, med djup lärning modeler för självgående fordom
| Diarienummer | |
| Koordinator | Mälardalens Universitet - Akademin för innovation, design och teknik, Västerås |
| Bidrag från Vinnova | 6 145 879 kronor |
| Projektets löptid | september 2020 - maj 2025 |
| Status | Avslutat |
| Utlysning | Elektronik, mjukvara och kommunikation - FFI |
| Ansökningsomgång | Elektronik, mjukvara och kommunikation - FFI - 2019-12-11 |
Viktiga resultat som projektet gav
projektet uppnådde sina mål genom att utveckla ett automatiskt ramverk för kompakta, robusta och effektiva djupinlärningsmodeller för säkerhetskritiska autonoma system. Lösningar för banprediktion och filidentifiering validerades i samarbete med industrin. Resultaten har lett till flera publikationer, kompetensutveckling samt spin-off-effekter inom AI-säkerhet och Edge-AI, vilket stärker Sveriges position inom inbyggd AI.
Långsiktiga effekter som förväntas
Projektet lägger grunden för robusta och kompakta AI-modeller för säkerhetskritiska tillämpningar med realtidsanvändning i autonoma fordon. Metoderna kan återanvändas inom bland annat hälso- och sjukvård, robotik och rymdteknik. Det bidrar även till långsiktig industriell kompetens, utbildning samt utveckling av framtida ramverk för AI-certifiering och tillförlitlighet i Sverige och internationellt.
Upplägg och genomförande
Projektet bestod av fyra arbetspaket och genomfördes i nära samarbete mellan MDU, Volvo CE och Zenseact. Trots initiala förseningar på grund av Covid-19 och visumproblem kunde projektet anpassas väl. WP1 följde planen, WP2 försenades men återhämtade sig tack vare distansarbeteoch tillgång till beräkningsresurser. Alla större mål uppnåddes och samarbetet fungerade effektivt, med starka resultat inom forskning, demonstrationer och industriell nytta.