Projekt · Dnr 2025-00871 · Källa: Vinnova
FREEWAY - Automatisera asynkron federerad inlärning och Edge Computing för effektiv analys av fordonsdrift
- Koordinator
- Volvo Technology AB
- Projekttid
- 2025-08-17 till 2027-08-16 (beslutat)
- Beviljat bidrag
- 7 349 996 SEK
- Diarienummer
- 2025-00871
Beskrivning
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. 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.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
FREEPORT: Federated Learning and Edge Processing för säker och effektiv drift
Volvo Technology AB · 2023-09-01 · 6 000 000 SEK · Projekt
Projektet uppnådde framgångsrikt alla uppsatta mål och bidrog till utvecklingen av edge-analys och federerat lärande för fordon. System för datainsamling på edge-nivå installerades på både test- och kundfordon. En online-algoritm för avvikelsedetektering validerades genom en livedemonstration som vi…
-
Validering av ett systemutvecklingskit för federerad maskininlärning för edgeapplikationer
Scaleout Systems AB · 2023-10-02 · 4 918 474 SEK · Projekt
Projektets primära syfte är att öka vår förståelse för skalbarhet och cybersäkerhet inom federerad maskininlärning specifikt för tillämpningar vi molnkanten. Vi kommer också att vidareutveckla och validera ett systemutvecklingskit för federerad maskninlärning, FEDn, för storskaliga tillämpningar ino…
-
DREAM - Distribuerad, Robust och Effektiv AI för Autonoma fordon
RISE RESEARCH INSTITUTES OF SWEDEN AB · 2025-09-01 · 7 910 500 SEK · Projekt
Syftet med DREAM är att utveckla federerad inlärning för självkörande fordon genom att förbättra effektivitet, robusthet och anpassningsförmåga i storskaliga realtidsmiljöer. Projektet undersöker självövervakad inlärning för att minska annoteringskostnader, kunskapsdestillering för att anpassa model…
-
ECSEL 2020 RIA DAIS - Distributed Artificial Intelligent Systems
RISE RESEARCH INSTITUTES OF SWEDEN AB · 2021-05-01 · 20 292 353 SEK · Projekt
DAIS uppnådde framgångsrikt sina mål och levererade anmärkningsvärda resultat. Ett federerat lärande-ramverk, som inkluderade innovativa tekniker för integritetsskydd och kommunikationsoptimering, tillämpades effektivt på DAIS industriella användningsfall. Betydande förbättringar gjordes i trötthets…
-
FeelAI-federerade prediktiva modeller på Edge för logistikbranschen
Högskolan i Halmstad · 2024-05-01 · 2 500 000 SEK · Projekt
FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkännin…