Gedistributeerde multi-modale gegevensfusie met grafiek-gebaseerd deep learning voor situationeel bewustzijn in intelligente transportsystemen.

De betrouwbaarheid van actieve perceptie voor algoritmen voor situationeel bewustzijn voor intelligente transportsystemen is de laatste jaren aanzienlijk verbeterd door AI-ontwikkelingen. Situationeel bewustzijn kan worden verbeterd door het uitwisselen van informatie tussen meerdere agents. Het complex maken om samen een hoge nauwkeurigheid te bereiken tegen lage rekenkosten is van cruciaal belang om veilige en betrouwbare transportsystemen te garanderen. Dit onderzoek zal de belangrijkste uitdagingen aanpakken voor gedeeld situationeel bewustzijn dat perceptie van meerdere sensorstromen en meerdere agents vereist. Dit onderzoek zal het probleem van lokale sensorfusie, dit is dee fusie op agentniveau waarbij meerdere gemonteerde sensoren worden gebruikt om een gedefinieerde taak op te lossen, aanpakken met graafgebaseerd deep learning. Door de structurele informatie in meerdere modaliteiten te exploiteren zal de voorgestelde oplossing op graafgebaseerde deep learning construeren. Vervolgens wordt gedistribueerde fusie bereikt door voorspellingen van meerdere agents te fuseren. Als resultaat kunnen de voorspellingen over meerdere agents worden samengevoegd om een rijker situationeel bewustzijn te creëren. Het voordeel van gedistribueerde fusie is duidelijk in situaties waarin de perceptie van een enkele agent niet voldoende is. Dit zal worden bereikt door spatiale temporele graafgebaseerde netwerken te modelleren en dynamische updates in de grafen te bestuderen.

Trefwoorden:ARTIFICIËLE INTELLLIGENTIE, ZINTUIGELIJKE WAARNEMING, DEEP NEURAL NETWORKS, MACHINAAL LEREN

Disciplines:Datavisualisatie en beeldvorming, Signaalverwerking niet elders geclassificeerd, Andere ingenieurswetenschappen en technologie niet elders geclassificeerd