Effektiv trådlös kommunikation kan skynda på utvecklingen av självkörande bilar
I ett samarbete med Princeton University görs självkörande bilar säkrare och mer energieffektiva med hjälp av maskininlärning i trådlösa mobilnät. Tillsammans med experter inom maskininlärning och trådlös kommunikation arbetar KTH:s postdoc José Mairton Barros Da Silva Júnior med ett projekt som ska påskynda utvecklingen av säkra och pålitliga autonoma fordon.
Med finansiering från EU:s New Horizon 2020-program kommer FLASH (Federated Learning Supporting Efficient and Reliable Inference over Vehicular Networks) att utveckla inlärningsalgoritmer för att hantera datamängder bättre, förbättra deras förmåga att förutsäga förändringar i sin omgivning och öka tilliten för självkörande bilar.
Projektet leds av professor Carlo Fischione och hans grupp vid avdelningen för nätverks- och systemteknik vid KTH och professor H. Vincent Poor vid institutionen för elektro- och datateknik vid Princeton University.
Mairton Barros har stora drömmar för projektet; – Under de kommande fem eller tio åren hoppas jag att det har bidragit till förverkligandet av autonoma fordon", säger säger han.
Bilar lär sig av varandra
FLASH kommer att tillämpa en inlärningsteknik som kallas federerad inlärning för att lösa förutsägbar data som uppkommer mellan flera autonoma fordon. Tekniken använder den distribuerade data som genereras av sensorerna placerade på alla fordon. I huvudsak kommer de att tränas i att lära av varandra genom att använda den data de genererar från varandras sensorer, fortfarande med integritet eftersom de inte behöver dela sina data. Detta kommer att göra det lättare att förutsäga rörelser för bilar, fotgängare och cyklister.
– Min forskning fokuserar på att lösa de problem som uppstår när vi kombinerar federerat lärande med nätverk för mobil kommunikation Detta är ett otroligt spännande forskningsfält på grund av snabba förbättringar av distribuerad maskininlärning och lanseringen av 5G-mobilnätverk, säger Barros.
Projektet, tror han, kommer att bidra till att göra bilar mer energieffektiva, ge lägre utsläpp och minskad bränsleförbrukning, vilket bidrar till att uppfylla FN:s mål för hållbar utveckling. Mer tillförlitliga algoritmer kommer också att förbättra realtidsbeslut som minskar risken för trafikolyckor och dödsfall.
Dr Mairton Barros ser fram emot att samarbeta med kollegor från Princeton University.
– Det här är en unik möjlighet att etablera nya vetenskapliga samarbeten och nätverkande i internationell skala. Förhoppningsvis kan det främja ny forskning som att integrera federerat lärande och fordonskommunikation, avslutar han.
Kontakt:
