DREAM - Distribuerad, Robust och Effektiv AI för Autonoma fordon

Syfte och mål

Syftet med DREAM är att utveckla federerad inlärning för självkörande fordon genom att förbättra effektivitet, robusthet och anpassningsförmåga i storskaliga realtidsmiljöer. Projektet undersöker självövervakad inlärning för att minska annoteringskostnader, kunskapsdestillering för att anpassa modeller samt kommunikationsoptimering för att möjliggöra implementering i fordonsflottor.Målet är att utveckla säkrare och mer generaliserbar AI som stärker Sveriges konkurrenskraft inom fordonsindustrin.

Förväntade effekter och resultat

Projektet kommer att leverera en stor multimodal datamängd för federerad självövervakad inlärning, validerade metoder för kunskapsöverföring mellan heterogena plattformar samt effektiva kommunikationsprotokoll för fordonsflottor. Resultaten kommer att delas öppet och stödja forskning och industriell innovation bortom konsortiet. Den förväntade effekten är ökad trafiksäkerhet, minskade kostnader och en stärkt global ledarroll för Sverige inom digitaliserad och hållbar mobilitet.

Planerat upplägg och genomförande

Projektet är strukturerat i fem integrerade arbetspaket som behandlar fallstudiedefinition, federerad självövervakad inlärning, kommunikationseffektivitet, testbäddsdemonstration och projektledning. Arbetet följer en etablerad projektstruktur med sammanlänkade arbetspaket. Centrala aktiviteter inkluderar storskalig datainsamling, utveckling av avancerade metoder och validering i verkliga miljöer. Genomförandet sker i nära samarbete mellan RISE, Zenseact, Scaleout och AI Sweden.