Perceptron
| Diarienummer | |
| Koordinator | Volvo Technology AB - GTT/ATR/EES |
| Bidrag från Vinnova | 13 739 551 kronor |
| Projektets löptid | juni 2017 - november 2019 |
| Status | Avslutat |
| Utlysning | Elektronik, mjukvara och kommunikation - FFI |
| Ansökningsomgång | Elektronik, mjukvara och kommunikation - FFI - 2017-03-14 |
| Slutrapport | 2017-01942engelska.pdf(pdf, 3250 kB) (In English) |
Viktiga resultat som projektet gav
Det övergripande målet för projektet var att bygga DL-kompetens och det har gjorts genom följande tre punkter: 1. Ett koncept och en infrastruktur för data-driven evolution av DL-applikationer har utvecklats. 2. En studie och en evaluering av tränings- och inferens-plattformar har genomförts för att underlätta valet av hårdvara. 3. Tre DL-applikationer för objekt detektion, detektering av körbar area och filmarkerings-detektion har också utvecklats. Dessa kan köras med realtidsprestanda och är baserade på state-of-the-art-arkitekturer.
Långsiktiga effekter som förväntas
Som ett resultat av det uppfyllda målet har kompetensen hos projekt-parterna ökat i hela utvecklingskedjan för DL-applikationer. Detta involverar data-loggning, nätverksarkitektur och träning och validering av DL-applikationerna.Ett dataset med 28.000 bilder med objekt, filmarkering och markering av körbar area har skapats. Dessutom har en demonstrations-lasbil byggts och utrustats med den hård-och mjukvara som krävs för att köra DL-appllkationerna.
Upplägg och genomförande
Projektet är uppdelat i 8 arbetspaket: WP1 Projektkoordinering, WP2 Infrastruktur, WP3 Datainsamling, WP4 Objektdetektion, WP5 Detektion av körbar area, WP6 Filmarkeringsdetektion, WP7 Studie och evaluering av tränings- och inferens-plattformar. WP8 Demonstrator. ”Build-measure-learn”-metodiken har följts för att utveckla och koppla samman de olika delarna i DL-utvecklingskedjan. En rapport som beskriver resultatet för varje arbetspaket har skrivits.