SAFE-FM: Säkerhetsoptimerade och fysikbaserade grundmodeller för fordonsbeteende
| Diarienummer | |
| Koordinator | Chalmers Tekniska Högskola AB - Chalmers tekniska högskola Department of Computer Science and Engineering |
| Bidrag från Vinnova | 5 038 538 kronor |
| Projektets löptid | juli 2025 - juni 2029 |
| Status | Pågående |
| Utlysning | Trafiksäker automatisering - FFI |
| Ansökningsomgång | Trafiksäker automatisering - FFI - våren 2025 |
Syfte och mål
Projektet syftar till att utveckla fysikinformerade och datadrivna AI-modeller som förbättrar säkerhet, tillförlitlighet och effektivitet i automatiserade fordon. Genom att utveckla prediktiva, generativa och grundmodeller för tidsseriedata ska projektet stödja avancerad simulering, testning och verklig implementering. Detta tillvägagångssätt adresserar kritiska säkerhetsutmaningar, minskar kostnader och möjliggör skalbara, förklarbara AI-lösningar i linje med industrins behov och nollvisionen.
Förväntade effekter och resultat
Projektet ska utveckla prediktiva AI-modeller för att noggrant förutsäga fordonsbeteende, generativa verktyg för att skapa syntetiska testfall för kritiska säkerhetsscenarier samt en grundmodell för analys och simulering av tidsseriedata. Detta förbättrar modellering av fordonsbeteende, minskar behovet av dyra fysiska tester, ökar täckningen av säkerhetskritiska scenarier och integrerar dessa modeller i verkliga system för att förebygga olyckor och stödja nollvisionen.
Planerat upplägg och genomförande
Angreppssättet kombinerar fysikinformerad maskininlärning, grundmodeller och avancerade generativa tekniker för att modellera fordonsdynamik, förutsäga fordonsbeteende och simulera kritiska testsituationer. Modellerna kommer att tränas och valideras med Volvos verkliga data och testmiljöer. En specialiserad grundmodell för tidsseriedata ska utvecklas för att förena analys- och genereringsuppgifter, med planerad implementering i Volvos SIL/HIL-ramverk för verklig validering.