Federated Fleet Learning - System topology
| Diarienummer | |
| Koordinator | ZENSEACT AB |
| Bidrag från Vinnova | 5 462 500 kronor |
| Projektets löptid | januari 2023 - juni 2026 |
| Status | Avslutat |
| Utlysning | Avancerad digitalisering - Möjliggörande tekniker |
| Ansökningsomgång | Avancerad och innovativ digitalisering 2022 |
Viktiga resultat som projektet gav
Projektet uppfyllde målen delvis. Vi nådde viktiga resultat inom systemarkitektur, HIL-validering och data-/modellflöden mellan moln och fordon, samt ökade förståelsen för hur säkerhetskritiska krav påverkar federerad inlärning i fordon. WP1 och WP2-målet om en fungerande HIL-setup med lyckad modellträning och scaling uppnåddes. Samtidigt blev det tydligt att full träning i fordon inte rymdes inom tidsramen, vilket ledde till en gemensam omställning mot aktiv inlärning och fleet-analys.
Långsiktiga effekter som förväntas
På lång sikt förväntas projektet bidra till en mer skalbar och datadriven utvecklingskedja för fordonsfunktioner genom bättre urval av händelser, effektivare datainsamling och tydligare återkopplingsloopar mellan fordonsflotta och moln. Detta förväntas öka utvecklingshastigheten, kundnöjdheten och trafiksäkerheten. Projektet har också skapat metodik och beslutsunderlag som minskar risk i kommande satsningar inom fleet learning, aktiv inlärning och fordonsanalys.
Upplägg och genomförande
Projektet genomfördes stegvis: först en HIL-fas för att verifiera grundläggande federerad inlärning på relevant hårdvara, därefter fordonsintegration nära produktionsmiljö och slutligen en kontrollerad omställning mot aktiv inlärning och analysflöden när tekniska och säkerhetsmässiga begränsningar blev tydliga. Samarbetet mellan Zenseact, Volvo Cars och AI Sweden var centralt och möjliggjorde både tekniska leveranser och en pragmatisk omprioritering.