Description du projet
Utiliser des ensembles de données synthétiques pour faire progresser l’IA dans l’aviation
Les applications de l’IA dans la gestion du trafic aérien (GTA) sont confrontées à des défis importants, notamment le manque de données réelles disponibles (en particulier celles liées à la sécurité) et la difficulté à s’adapter à des environnements nouveaux et invisibles. Ces limitations entravent le développement et la modularité des outils d’IA dans le secteur de l’aviation. Le projet SynthAIR, financé par l’UE, vise à exploiter les techniques d’IA pour générer des données synthétiques dans le contexte de la GTA. Le concept de base repose sur le générateur universel de séries temporelles (UTG), un modèle entraîné sur plusieurs données de séries temporelles différentes et capable de produire des ensembles de données synthétiques pour de nouveaux scénarios, tels que les données d’un aéroport non surveillé. La méthode proposée nécessite moins d’expertise et améliore la généralisation. L’UTG pourrait également être utilisé pour définir un modèle prévisionniste, qui prédit des résultats dans des environnements inexplorés sans entraînement supplémentaire.
Objectif
The main objective of SynthAIR is to explore and define AI-based methods for synthetic data generation in the domain of ATM system due to the limitation of AI-based tools development by the lack of enough data available (e.g. safety-related data) and the problem of generalization of those AI-based models. We want to explore data-driven methods for synthetic data generation, since they require 1) less user knowledge expertise (no need to derive the explicit model of the distribution), 2) better generalization capabilities. More in detail, inspired by recent advancement in Computer vision and Language Technology, we propose the concept of Universal Time Series Generator (UTG). A UTG, is a model trained on several different time series, and able to generate a synthetic dataset representing a new dataset, simply conditioned by a compressed representation of it. In aviation domain, this generator can be trained on a certain set of data related, for example to few airports, and be used to generate synthetic data from a new airport. The same principle can be applied to define a universal time series forecaster (UTF) able to do prediction to a new environment (I.e. data from a new airport) without any new training.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Nous sommes désolés... Une erreur inattendue s’est produite.
Vous devez être authentifié. Votre session a peut-être expiré.
Merci pour votre retour d'information. Vous recevrez bientôt un courriel confirmant la soumission. Si vous avez choisi d'être informé de l'état de la déclaration, vous serez également contacté lorsque celui-ci évoluera.
Programme(s)
- HORIZON.2.5 - Climate, Energy and Mobility Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) HORIZON-SESAR-2022-DES-ER-01
Voir d’autres projets de cet appelRégime de financement
HORIZON-JU-RIA -Coordinateur
7034 Trondheim
Norvège