Opis projektu
Inteligentniejsze czujniki pomogą w zielonej i cyfrowej transformacji Europy
Unia Europejska jest w trakcie ambitnej, zielonej i cyfrowej transformacji, która opiera się na technologii inteligentnych czujników. Pomimo trudności, inteligentne czujniki, wykorzystywane głównie w przemyśle lotniczym i kosmicznym, obronnym oraz w sektorach przemysłowych i rolniczych, mają odegrać kluczową rolę w nowej, zielonej i cyfrowej erze Europy. Przykładowo – chociaż możliwe jest wyodrębnienie informacji z danych z czujników, nie są one wystarczające, aby zapewnić rozwiązania na potrzeby zastosowań konsumenckich i przemysłowych. W związku z tym zespół finansowanego ze środków UE projektu SEA2Learn opracuje energooszczędne i działające w czasie rzeczywistym mechanizmy adaptacji zdolności wnioskowania inteligentnych czujników o ograniczonych zasobach na podstawie bodźców z otoczenia.
Cel
Smart Sensors are key components for the upcoming Green and Digital European era. Recently, novel emerging electronics components – such as high energy-efficient many-core application processors featuring a power consumption of few tens of mWs – have enabled high-accurate on-device inference capabilities, i.e. Deep Learning inference, to extract high-level information from sensor data. However, this technology improvement is not sufficient to ensure robust solutions suitable for consumer and industrial applications. The main issue comes from the wide variety in real-world test conditions and, consequently, the lack at design-time of representative (labelled) sensor data, needed to train DL inference networks. For this reason, the currently used “train-once-and-deploy-everywhere” design process for edge intelligence has proved to be weak, even after an endless cyclic procedure involving data collection, model training and in-field testing.
This limitation is addressed by the SEA2Learn project by developing energy-efficient and real-time mechanisms to adapt the inference capabilities of resource-constrained smart sensors based on the stimulus from the surrounding environment. The proposed strategy, which is unprecedent in this domain, aims at placing in the same training loop multiple smart sensor nodes that interact with a Learning Agent. The latter will leverage a new class of lightweight methods belonging to the Continual Learning (CL) domain operating on unlabelled multi-sensor data. Thanks to the envisioned SEA2Learn framework, the embedded intelligence can adapt over time based on real-world data, making the design process more robust and 10-100x faster than today. To realize this vision, the fellow’s expertise in HW/SW design for embedded machine learning will be complemented by the Continual Learning knowledge of the hosting research group at KU Leuven and enriched by a tight collaboration with an SME that manufactures IoT platforms for edge computing.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznaczujniki
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
3000 Leuven
Belgia