Federated learning för självkörande fordon

För att utveckla säkrare och intelligentare självkörande fordon måste en enorm mängd data samlas in för att träna systemet så att det fungerar på önskat sätt. Ett exempel är att det måste kunna identifiera trafiksituationen och medtrafikanternas avsikter på korrekt sätt för att den autonoma körningen ska bli säker.

Idag överförs merparten av insamlad data från fordonen till en central server för att träna upp funktionerna. Eftersom mängden data är enorm innebär denna process stora kostnader samtidigt som den är väldigt tidskrävande.

– Mats Larsson, Team Manager Software & Emerging Tech på Semcon

Begränsad dataöverföring minskar både kostnader och energianvändning

Genom att implementera nya och avancerade metoder, t.ex. federerad inlärning, används fordonsdata endast lokalt för att träna systemets modeller, och endast resultaten och de inlärda kunskaperna överförs till den centrala servern, där de sammanställs. En utvärdering sker, varpå förbättrade funktioner kan överföras tillbaka till fordonet via exempelvis over the air-uppdateringar.

”Denna metod begränsar den data som överförs till den centrala servern, vilket leder till betydligt lägre kostnader och energianvändning. Detta är viktiga nyckelfaktorer i det fortsatta arbetet med att utveckla en hållbar infrastruktur, något som krävs för nästa generations fordon”, menar Mats Larsson och fortsätter:

Frågor som rör personlig integritet (GDPR) och hantering av data från områden med restriktioner förenklas också eftersom data istället hanteras lokalt, vilket är ytterligare en stor fördel med distribuerad databehandling. Platsinformation och annan privat information kan exempelvis användas vid träningen i fordonet, men denna information överförs inte tillbaka till det centrala systemet.”

Forskning på toppnivå pågår

I projektets inledande fas samlar experterna från Semcon viktiga kunskaper om hur avancerad teknik och decentraliserad inlärning kan minimera dataöverföringen. Arbetet utförs agilt med regelbundna avstämningar och workshops tillsammans med kunden. Som en del av forskningsarbetet definieras intressanta användarfall, och ett antal av dessa implementeras på AI Swedens Edge Lab, en testbädd för konceptvalidering och jämförelser.

Federerad inlärning i korthet

Federerad inlärning är maskininlärning där nätverkets noder samarbetar för att lära sig en gemensam prediktionsfunktion. Samtidigt förblir all träningsdata i nätverkets noder, vilket eliminerar behovet av att lagra data centralt för att kunna genomföra maskininlärning. Den enda informationen som överförs består därmed av resultaten från den lokala träningen i noderna och resulterande uppdateringar av de modeller som har förbättrats efter resultataggregering centralt.

Semcons kompetens i projektet består av

• AI-driven datahantering

• Tidigare erfarenhet av att arbeta med forskningsprojekt inom maskininlärning (på doktorandnivå)

• Förståelse för maskininlärning i en distribuerad/samordnad kontext

• Erfarenhet av att utveckla programvara för inbäddade miljöer

• Erfarenhet av att arbeta med Cloud computing

Användning av teknik för decentraliserad inlärning är inte bara intressant för fordonstillämpning, utan även på områden som t.ex. appar i mobiltelefoner, digitala hälsolösningar, Industri 4.0 smarta tillverkningslösningar och mycket mer. På detta sätt kan domäner minska dataöverföringen och bygga modeller för kostsam/privat data och samtidigt bibehålla data integritet.

Om du vill veta mer om lösningar för AI-driven datahantering i allmänhet, läs mer här på vår webbplats eller kontakta oss för att boka ett möte.