Opis projektu
Budowa pojazdów autonomicznych dzięki lepszej rozproszonej integracji algorytmicznej
Uczenie federacyjne (FL) jest techniką uczenia maszynowego (ML), która polega na wspólnym trenowaniu algorytmu w wielu zdecentralizowanych urządzeniach. Wymagania obliczeniowe związane z pojazdami autonomicznymi wymagają lepszej integracji FL z sieciami komórkowymi, aby umożliwić reagowanie w czasie rzeczywistym. Realizacji tego celu podjął się zespół projektu FLASH, finansowanego z działania „Maria Skłodowska-Curie”. Opracuje on model algorytmów FL pozwalający na obsługę ograniczeń związanych z rozproszonymi zbiorami danych. Stworzy także algorytmy zdolne do przydzielania zasobów sieci komórkowej do zadań wnioskowania określonych przez ML. Zastosowanie wyników projektu FLASH w (pół-)autonomicznych pojazdach poprawi bezpieczeństwo i niezawodność, a także zmniejszy zużycie paliw kopalnych i emisję spalin.
Cel
The FLASH project aims to establish the theoretical foundations of machine learning and wireless communications that will enable the vision of assisted and self-driving systems. Unfortunately, current systems cannot provide safe and reliable driving because they lack distributed and real-time learning algorithms meeting the critical latency and reliability requirements in highly dynamic and fast-varying wireless channels. Although the fifth generation of cellular systems supports the communication demands for assisted and self-driving, and machine learning proposes federated learning for distributed scenarios, the wireless communications and machine learning domains are not sufficiently integrated for real-time critical applications. Yet, it is only by their integration that the vision of assisted and self-driving will become real. To this end, we will establish a theoretical and algorithmic integration of federated learning and cellular networks that serve vehicles, which we refer to as federated learning supporting efficient and reliable inference over vehicular networks (FLASH). FLASH builds on the co-design of a fundamentally new ecosystem in which federated learning algorithms address critical constraints from vehicular applications, while resource allocation algorithms adapt wireless communication resources to the inference tasks. The project will implement FLASH by establishing and validating theoretical and algorithmic foundations for assisted and self-driving systems. Thus, we not only expect to have an academic impact but also a great societal impact by enabling the fulfilment of sustainable development goals through reduced fuel consumption, traffic emissions, and fatalities. Ultimately, the project provides outstanding training for a talented young researcher, Dr. Mairton Barros, at Princeton University for 24 months with Prof. H. Vincent Poor, and KTH Royal Institute of Technology for 12 months with Prof. Carlo Fischione.
Dziedzina nauki
- engineering and technologyelectrical engineering, electronic engineering, information engineeringinformation engineeringtelecommunicationstelecommunications networksmobile network
- natural sciencescomputer and information sciencescomputer securitynetwork security
- engineering and technologyelectrical engineering, electronic engineering, information engineeringinformation engineeringtelecommunicationsradio technology
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
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-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsKoordynator
100 44 Stockholm
Szwecja