Stockphoto illustrating the internet of things
​EU-projektet VEDLIoT ska utveckla nästa generations IoT-plattform. ​
Foto: Istock

Sakernas internet ska bli smartare

Autonoma fordon och smarta hem blir alltmer komplexa. Ett nytt system baserat på maskininlärning ska utvecklas för att göra mjuk- och hårdvaran som används till dessa applikationer mer robusta, kraftfulla och energieffektiva. Design, integration och utvärdering av hårdvaran kommer att göras på Chalmers.
I ett intelligent hem – ett ”smarthome” – har de boende tillgång till enheter som är utformade för att förenkla livet: tänk dig ett kylskåp som beställer ny mat när den börjar ta slut, och som dessutom kan kommunicera med ugnen. Sådana enheter och moduler är en del av sakernas internet (Internet of Things, eller IoT). IoT-enheter är anslutna till ett nätverk där de spelar in, sparar, bearbetar och överför data. Applikationer för IoT inkluderar även självkörande bilar och industrirobotar. 

– Dator- och IoT-system blir mer och mer effektiva. Det ger oss mer utmanande problem att lösa och på så sätt påskynda automatiseringen för att förbättra vår livskvalitet, men datamängden som samlas in och bearbetas är enorm, och den beräkningskapacitet som krävs för detta är mycket hög. Dessutom är algoritmerna ofta för komplexa för att leverera snabba svar inom en rimlig tid, förklarar professor Ulrich Rückert, som är koordinator för det nya VEDLIoT-projektet och leder forskargruppen Cognitronics and Sensor Systems vid Bielefeld University i Tyskland.

Pedro Petersen Moura TrancosoPedro Petersen Moura Trancoso, docent på avdelningen för Datorteknik vid Institutionen för data- och informationsteknik, leder projektets arbetspaket för design, integration och utvärdering av hårdvaruacceleratorer. Fokus kommer att vara på att utveckla en effektiv, skalbar och flexibel arkitektur för djupinlärningsacceleratorer, med applikationer från sensorer till Edge-servern till Cloud-servern.
– Vår huvudsakliga insats i projektet kommer att vara samdesign av hårdvaran för optimerade djupinlärningsmodeller och algoritmer, vilket ska resultera i en arkitektur som är effektiv, flexibel och skalbar. Vi kommer också att delta i arbetet med att undersöka minneshierarkin för djupinlärningsacceleratorn. 

Eric Knauss
Eric Knauss, docent vid avdelningen Software Engineering på Data- och informationsteknik, leder arbetet med kravställning för system som bygger på VEDLIoT-komponenter. Fokus kommer att ligga på att hitta en lämplig nedbrytning från system till komponentnivå, särskilt med avseende på kontextuell information och krav på datakvalitet.
– Vårt mål är att stödja utvecklingen av djupinlärningsbaserade system och system-of-systems genom att tillhandahålla en stadig grund med avseende på krav och arkitektonisk nedbrytning.

Artificiell intelligens framför konventionella metoder 

Tolv partners från fyra EU-länder – Tyskland, Polen, Portugal och Sverige, samt EU's samarbetspartner Schweiz, arbetar tillsammans med projektet. I stället för att förlita sig på konventionella metoder, till exempel statistik, använder det internationella forskarteamet metoder för maskininlärning, inklusive djupinlärning med artificiella neurala nätverk.
– I djupinlärning har det underliggande nätverket mellanliggande neuronlager förutom input- och output-lager. På så sätt kan en slags abstraktion implementeras, som möjliggör komplexa systembeteenden. Vi tillhandahåller informationen; maskinerna lär sig och fattar beslut själva, säger Jens Hagemeyer, elektrotekniker som ingår i forskargruppen Cognitronics and Sensor Systems vid Bielefeld University, och också är den tekniska ledaren för projektet..

Med VEDLIoT-plattformens autonoma inlärning ska IoT-enheter kunna uppnå högre prestanda samtidigt som de blir mer energieffektiva. För detta utvecklas, som en del av projektet, en modulär hårdvaruplattform som gör det möjligt att kombinera mikroservrar av olika prestandaklasser på en flexibel bärare.
– Beroende på applikationens krav kan servrarna konfigureras individuellt av operatören, vilket resulterar i en plattform som är lämplig för universell användning. Det nya systemet förhindrar också systemfel, om en server misslyckas, till exempel på grund av ett svagt trådlöst nätverk, kan hela enheten fortfarande användas. I bästa fall märker inte användaren av en självkörande bil ens serverfelet, säger Hagemeyer.

Öppet för ytterligare partners

I projektet ingår sju universitet och forskningsinstitut som arbetar med artificiell intelligens och sakernas internet. Övriga partners är företag i olika storlekar, allt från Chalmersbaserade startupen EmbeDL till det multinationella företaget Siemens.

Det finns fortfarande möjlighet för fler företag att delta i projektet.  
– Vi förväntar oss att finansiera minst tio ytterligare användningsfall inom ramen för projektet – förutom de befintliga applikationerna inom sektorerna Automotive, Automation och Smart Homes. Därför vill vi engagera fler företag, säger Dr. Carola Haumann, som är projektledare och vice verkställande direktör för CoR Lab vid Bielefeld University.

En prototyp av plattformen bör vara igång i mitten av 2022, och resultaten från de olika applikationerna kommer att strömma in i IoT-plattformen under hela projektet, vilket möjliggör kontinuerliga förbättringar av plattformen. 

Kontakt

Pedro Petersen Moura Trancoso
Docent, avdelningen för Datorteknik, Data- och informationsteknik, Chalmers.
E-post: ppedro@chalmers.se
Telefon: +46 31 772 63 19

Eric Knauss
Docent, avdelningen för Software Engineering, Data- och informationsteknik, Göteborgs universitet.
E-post: eric.knauss@cse.gu.se
Telefon: +46 31 772 10 80

Prof. Dr.-Ing. Ulrich Rückert
Bielefeld University Faculty of Technology/CoR-Lab
E-post: rueckert@techfak.uni-bielefeld.de
Telefon: +49 521-106 12050

Mer om projektet


Sidansvarig Publicerad: ti 26 jan 2021.