Ali Anwar doctor assistent

Onderzoek Ali Anwar

Onderzoeksgroep

Expertise

Mijn algemene onderzoeksinteresses liggen op het kruispunt van AI, computer vision en controlewetenschappen. Momenteel richt ik me op het probleem van dataschaarste voor AI-systemen, mijn interesses liggen in het samenvoegen van multimodale data over meerdere taken, daarnaast ben ik ook geïnteresseerd in het vergroten en genereren van waardevolle trainingsdata via generatief leren.

Automatisch gegenereerd en simulator gebaseerde Datasets om machine learning te bevorderen in de Autonome Scheepvaart (ADLAS). 01/01/2025 - 31/12/2026

Abstract

Het ADLAS project heeft als doel om datasets te ontwikkelen voor de AI-model training in autonome scheepvaart. Deze datasets zijn nodig om een veilige en efficiënte autonome navigatie technologie te verzekeren. Via dit onderzoek willen we bijdragen aan de AI-exploratie in autonome schepen door het creëren van diverse datasets voor het testen van modellen in gesimuleerde omgevingen. Deze simulatoren maken namelijk een rigoureuze evaluatie mogelijk van de prestaties en veiligheid van AI-modellen onder verschillende omstandigheden, die moeilijk te realiseren zijn in het echte werkveld. De gerealiseerde datasets zullen een basis vormen voor toekomstige projecten en bijdragen aan de ontwikkeling van de veiligheidsnormen in de autonome maritieme industrie door de validatie van AI-systemen in maritieme operaties. Het resultaat van dit project zal een open-source dataset zijn die de internationale onderzoekssamenwerking op het gebied van autonome maritieme schepen zal bevorderen. Door deze samenwerking tussen AI en nautische onderzoekers en de toepassing van operator gebaseerde training methodologieën kunnen het aanpassingsvermogen en de generalisatiemogelijkheden van AI-modellen verbeteren. In het algemeen streeft ADLAS ernaar om uitgebreide datasets te creëren voor AI-model training in autonome scheepvaart, door gebruik te maken van AMA's simulatoren en realistische lesgegevens om veiligheidsnormen en samenwerking in dit onderzoeksveld te bevorderen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Veiliger model-based reinforcement learning voor planning in autonome binnenvaart. 01/11/2023 - 31/10/2025

Abstract

Momenteel wordt er veel onderzoek verricht op het gebied van autonome navigatie. Meer recentelijk laat reinforcement learning (RL) veelbelovende resultaten zien op dat gebied. Een type RL dat grote mogelijkheden biedt, model-based RL genaamd, heeft een aantal aanzienlijke voordelen ten opzichte van zijn model-free tegenhanger. Het biedt met name mogelijkheden om de veiligheid te verbeteren. Veiligheid is een van de belangrijkste uitdagingen waar RL in autonome navigatie momenteel voor staat.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Doelgerichte processturing met behulp van Constraint-Gerichte Model-Based Reinforcement Learning. 01/11/2023 - 31/10/2025

Abstract

Vanwege de sterke economische impact ontving het gebied van processturing in de loop der jaren veel aandacht van onderzoekers. Terwijl klassieke besturingsmethoden al tientallen jaren in gebruik zijn, is de toepassing van Machine Learning (ML) nog niet onderzocht. Een nieuw gebied binnen ML is Reinforcement Learning (RL), dat frequent de state-of-the-art (SOTA) in de besturing van complexe systemen heeft verbeterd. Bijgevolg heeft de toepassing van deze techniek op industriële processturing het potentieel om de efficiëntie sterk te verbeteren. Enerzijds leidt dit tot een daling van kosten, gebruikte materialen en energiebehoeften van enkele van de grootste industrieën wereldwijd. Anderzijds opent dit een weg voor coöperatie tussen academici en industrie. Dit project onderzoekt technieken die gericht zijn op het toepassen van RL op industriële processturing door het ontwikkelen van doelgerichte agents die de verwachtingen van de gebruiker omvatten. (1) Een agent met een accuraat latent world model wordt ontwikkeld met SOTA prestaties en sterke redeneercapaciteiten. (2) Deze agent wordt uitgebreid met een reverse imagination model om fysische states te reconstrueren uit latent states. Hierop worden state constraints toegepast op basis van expertkennis om een intuïtief kader te creëren voor het besturen van de agent. (3) De agent wordt dan overgebracht van simulatie naar werkelijkheid met behulp van offline data om het interne model op één lijn te brengen met de echte wereld.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Hybrid AI voor onderhoud van wegen (HAIRoad) 01/10/2023 - 30/09/2025

Abstract

De huidige aanpak om de kwaliteit van wegen te monitoren is gebaseerd op handmatige inspecties en is arbeidsintensief en relatief duur. Hybrid AI for Predictive Road Maintenance (HAIRoad) wil gebruik maken van (hybride) AI de conditie van het wegennet in kaart brengen en aanbevelingen doen voor wegonderhoud. Een efficiënte en robuuste datapijplijn zal worden ontwikkeld met behulp van MLOps tools, die het mogelijk maken om gemakkelijk te schakelen tussen de ontwikkeling van modellen en de implementatie/productie ervan. Drie demonstratoren zullen de haalbaarheid van de aanpak illustreren: één met de Haven van Antwerpen Bruges en twee op gemeentelijk niveau. De demonstratoren zullen toelaten om zowel de meer technische aspecten als het marktpotentieel te valideren. HAIRoad zal verschillende innovaties opleveren zoals geautomatiseerde detectie van de conditiestaat van een weg, nieuwe indicatoren voor wegbeheer, sensorfusie door informatie van meerdere sensoren te combineren, en de toepassing van hybrid-AI waarbij we fysieke modellen van wegdegradatie zullen opnemen in data-driven machine learning modellen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Versterking van de capaciteit voor uitmuntendheid van Sloveense en Kroatische innovatie-ecosystemen ter ondersteuning van de digitale en groene transities van maritieme regio's (INNO2MARE). 01/01/2023 - 31/12/2026

Abstract

Het hoofddoel van INNO2MARE is het versterken van de capaciteit voor uitmuntendheid van West-Sloveense en Adriatisch-Kroatische innovatie-ecosystemen door middel van een reeks gezamenlijk ontworpen en geïmplementeerde acties die de digitale en groene transities van de maritieme en verbonden industrieën zullen ondersteunen. Gebaseerd op het diepgaand in kaart brengen van de ecosystemen en een analyse van de behoeften en lacunes, zal het consortium een R&I-strategie voor de lange termijn formuleren, in lijn met regionale, nationale en EU-strategieën, als een visionair kader, en een gezamenlijk actie- en investeringsplan, met concrete stappen voor het opbouwen van gecoördineerde, veerkrachtige, aantrekkelijke en duurzame maritieme innovatie-ecosystemen. Om de gezamenlijke strategie te ondersteunen en een model te bieden voor de toekomstige gezamenlijke O&I van de actoren van de ecosystemen, zal het project drie O&I-proefprojecten implementeren die een aantal van de belangrijkste uitdagingen aanpakken die verband houden met maritiem onderwijs en training, beveiliging en veiligheid in het maritiem verkeer. zoals energieconversie en de efficiëntie van managementsystemen. Deze pilots zullen de basis vormen voor verdere ontwikkeling, opschaling en vertaling van de gegenereerde onderzoeksresultaten naar innovatieve zakelijke kansen door de gecoördineerde mobilisatie van publieke en private financiering. Het consortium zal ook innovatieve programma's implementeren die de betrokkenheid van burgers bij de innovatieprocessen, kennisoverdracht voor wederzijds leren, ondernemerschap en slimme vaardighedentraining en het aantrekken van de beste talenten zullen ondersteunen, waarbij meer dan 1.000 deelnemers vanuit de Quadruple Helix betrokken zullen zijn. In alle projectactiviteiten zullen de twee ecosystemen sterk profiteren van het delen van best practices van het Vlaamse ecosysteem, één van de meest ontwikkelde maritieme innovatie-ecosystemen ter wereld. Het project zal bijdragen aan het verkleinen van de innovatiekloof in Europa door de innovatieactoren binnen en tussen de ecosystemen systematisch met elkaar te verbinden en synergieën te creëren in de planning en uitvoering van O&I-investeringen, waardoor een echte innovatiecultuur ontstaat.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Visie-gebaseerde ongevalgevoelige simulatie voor autonome veiligheidskritische systemen. 01/11/2022 - 31/10/2025

Abstract

Autonome navigatie heeft de laatste tijd veel aandacht gekregen. Als gevolg daarvan zien we dat autonomie zich ontwikkelt in voertuigen en zijn weg vindt in veel transportsectoren (waaronder slimme scheepvaart). Toch is de huidige state-of-the-art (SOTA) technologie niet rijp genoeg voor een wijdverspreide toepassing op een hoger autonomieniveau (bv. niveau 4 en hoger). De belangrijkste reden hiervoor is dat deze systemen getraind worden op een massa real-world data, waarin vaak ongevalgevoelige scenario's ontbreken. Om dit probleem op te lossen, stel ik een oplossing voor die gebaseerd is op datagedreven neurale simulaties die realistische data leveren op basis van real-world voorbeelden en onveilige scenario's genereren (botsingen, ongevallen, enz.). Bovendien voorziet mijn systeem ook in veiligheidscontroles om onveilige scenario's te valideren en veilige grenzen te bieden voor de huidige autonome systemen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Gedistributeerde multi-modale gegevensfusie met grafiek-gebaseerd deep learning voor situationeel bewustzijn in intelligente transportsystemen. 01/11/2021 - 31/10/2025

Abstract

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.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject