DART2: Distribuerad AI för robusta och tillförlitliga autonoma fordon (fas 2)

Syfte och mål

DART2 utvecklar distribuerade och integritetsbevarande AI-metoder för autonoma fordon genom ett samarbete mellan RISE, Zenseact och NVIDIA FLARE. Projektet undersöker hur federerad inlärning kan kombineras med självlärande metoder och kunskapsdestillering för att möjliggöra robust och tillförlitlig AI-träning över fordonsflottor utan att känslig data delas. Resultaten förväntas stärka samarbetet mellan Sverige och USA och bidra till tillförlitliga AI-lösningar för säkerhetskritiska system.

Förväntade effekter och resultat

Projektet kommer att utvärdera NVIDIA FLARE som plattform för distribuerad AI i autonoma fordon och validera självlärande metoder samt kunskapsdestillering i distribuerade miljöer. Projektet förväntas resultera i gemensamma vetenskapliga publikationer, en långsiktig forskningsagenda mellan Sverige och USA samt tekniska insikter om skalbar och integritetsbevarande AI. Resultaten kommer att stärka Sveriges position inom tillförlitlig AI och stödja framtida industriell tillämpning.

Planerat upplägg och genomförande

Projektet kombinerar industriella användningsfall från Zenseact med expertis inom distribuerad AI från RISE och NVIDIA FLARE. Genom gemensamma experiment, möten på plats i Europa och USA samt gemensam utvärdering kommer parterna att undersöka federerad inlärning, självlärande metoder och kunskapsdestillering med hjälp av data för autonom körning. Arbetet är organiserat i tre arbetspaket som omfattar användningsfall, teknisk experimentering, spridning av resultat samt långsiktigt samarbete.