Resursmedveten kontinuerlig inlärning för resursbegränsade 6G Ambient IoT-enheter
| Diarienummer | |
| Koordinator | RISE Research Institutes of Sweden AB |
| Bidrag från Vinnova | 100 000 kronor |
| Projektets löptid | januari 2026 - juni 2026 |
| Status | Avslutat |
| Utlysning | 6G - Kompetensförsörjning |
| Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Projektets huvudsakliga mål uppnåddes genom att visa genomförbarheten av Mondrian Forests, en onlinebaserad trädensemblemetod för inkrementell inlärning från strömmande data, på resursbegränsade Ambient IoT-enheter med hjälp av en STM32-MCU utan operativsystem. Projektet bidrog även med minnesoptimeringar, inklusive kvantisering och en flash-assisterad teknik för att minska RAM-användningen. Resultaten visar dock att robust anpassning till konceptdrift kräver fortsatt arbete.
Långsiktiga effekter som förväntas
Projektet förväntas bidra till mer autonoma, integritetsskyddande och adaptiva Ambient IoT-system. Genom att visa genomförbarheten av Mondrian Forests för onlineinlärning direkt på en STM32-MCU utan operativsystem pekar arbetet mot system som kan lära sig lokalt utan beroende av molninfrastruktur. Det utgör även en grund för vidare forskning om robust on-device learning, särskilt när det gäller att förbättra Mondrian Forests förmåga att anpassa sig till föränderliga miljöer och konceptdrift.
Upplägg och genomförande
Projektet genomfördes enligt den planerade processen, från litteraturstudie till färdigt examensarbete och försvar. Arbetet inleddes med en genomgång av Mondrian Forests, online learning och IoT-begränsningar. Därefter följde implementation, optimering för MCU-resurser och experimentell utvärdering. Resultaten dokumenterades i uppsatsen, som presenterades och försvarades enligt plan. Inga större externa faktorer påverkade genomförandet, och samarbetet fungerade väl.