FREEWAY - Automatisera asynkron federerad inlärning och Edge Computing för effektiv analys av fordonsdrift

Syfte och mål

FREEWAY-projektet syftar till att leverera nästa generations digitala tjänster för elektromobilitet genom att möjliggöra asynkron federerad inlärning (AFL) för att hantera skalbarhetsutmaningar, integrera avancerad edge processing och MLOps-arbetsflöden för att förbättra fordonens driftseffektivitet, säkerhet och drifttid.

Förväntade effekter och resultat

FREEWAY förväntas leverera ett effektivt, skalbart AFL-system integrerat med MLOps i arbetsflödet, validerat på verkliga användningsfall för elektromobilitet, såsom energiförbrukningsprognoser, profilering av fordonsdrift och avvikelsedetektering. Effekten sträcker sig från bättre presterande fordonsflottor till bredare mobilitetsinnovationer, vilket positionerar federerad edge intelligence som en viktig möjliggörare för hållbara digitala tjänster.

Planerat upplägg och genomförande

FREEWAY-projektet kommer att genomföras under två år genom fyra arbetspaket. Högskolan i Halmstad kommer att leda arbetspaketen för kunskapsspridning och projektledning (WP0) och avancerad analys (WP2); Stream Analyze kommer att leda WP1 för edge computing-infrastruktur för AFL; Volvo Group Trucks Technology kommer att leda MLOps för Centralized Solution och AFL (WP3). Alla partners kommer att samarbeta nära för att säkerställa effektiv integration av resultat och uppnå de övergripande målen.