Onderzoek Steven Latré

Abstract

Brailsports wil een revolutie teweegbrengen in duurtraining met AI-geoptimaliseerde sportwetenschappelijke modellen, waaronder het Lactate Threshold-model en het Personalized Fitness Fatigue-model. De resultaten van deze modellen zijn momenteel geïmplementeerd in een online dashboard, waardoor coaches op maat gemaakte analyses krijgen over de prestaties, het herstel en de trainingsbehoeften van hun atleten. Dit stelt coaches in staat om datagestuurde beslissingen te nemen, waardoor de effectiviteit en efficiëntie van het trainingsregime wordt vergroot. Het doel van dit project is om ons minimum viable product te verheffen tot een commercialiseerbaar product, gericht op de beoogde beachhead-markt van duursport coaches. Voor de toekomst ziet Brailsports de uitbreiding van een coachgericht platform naar de ontwikkeling van op atleten gerichte oplossingen. Wij hebben een geavanceerde mobiele applicatie voor ogen die als persoonlijke coach in de broekzak van elke atleet dient. Deze app biedt dynamische, AI-gestuurde trainingsplannen die zich in realtime aanpassen om de huidige prestatiegegevens, fysiologische reacties en evoluerende doelstellingen van de atleet weer te geven. Door dit te doen wil Brailsports de toegang tot trainingsinzichten op topniveau democratiseren, waardoor gepersonaliseerde, wetenschappelijk onderbouwde trainingsregimes toegankelijk worden voor atleten op alle niveaus. Deze uitbreiding zal atleten voorzien van de tools die ze nodig hebben voor optimale prestaties, waardoor een beter geïnformeerde, verbonden en persoonlijke benadering van duurtraining wordt bekomen. Naast de commercialisatie van het dashboard, beogen we in dit project ook de eerste stappen te zetten in de ontwikkeling van deze mobiele applicatie.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Door technologische vooruitgang is de beschikbare hoeveelheid data het afgelopen decennium exponentieel toegenomen. Het vakgebied data science (DS) heeft deze groei gevolgd omdat het een onmisbare tool is voor het vertalen van data naar inzicht en kennis. Waar DS zich traditioneel bezighield met leerassociaties in data, is het de laatste tijd duidelijk geworden dat causale verbanden vaak een dieper begrip van de data en een sterkere tool in veel praktische toepassingen opleveren. Een van de gevestigde technieken voor causale modellering is het gebruik van gerichte acyclische grafen (GAG) om causale relaties voor te stellen. Deze GAGs moeten geleerd worden op basis van geobserveerde data. Veel van de SOTA technieken voor het leren van dergelijke GAGs zijn erg gevoelig voor anomalieën en leveren onbetrouwbare resultaten op in hun aanwezigheid. We streven ernaar om methoden te ontwikkelen voor het leren van GAGs die efficiënt en betrouwbaar blijven indien uitschieters aanwezig zijn in de gegevens. Het project begint met het bouwen van een solide basis voor de concepten robuustheid in causale modellering. Voortbouwend op deze grondslagen, zullen we vervolgens overgaan tot het bouwen van een algemene robuuste modelleringsmethodologie. Het project bevat drie complementaire benaderingen voor het ontwikkelen van robuuste methodes voor het leren van GAGs. De ontwikkelingen zullen zowel theoretisch als empirisch geëvalueerd worden en onderworpen aan testen op reëele casussen.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven
• Co-promotor: Raymaekers Jakob
• Mandaathouder: Leyder Sarah

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Dit project is gericht op het ontdekken en ontwikkelen van nieuwe toepassingen van state-of-the-art psychofysiologische sensortechnologieën (gebruik makend van computationele en AI-technieken) om mensen uit verschillende doelgroepen te helpen werken, leren en ontspannen in onze moderne samenleving. Daarbij zorgen we voor een zinvolle en verantwoorde wijze van tracking. Om dit te bereiken is ons consortium voldoende interdisciplinair samengesteld. Dit vereist goed uitgeruste labo-infrastructuur voor het uitvoeren van gedrags- en psychofysiologische experimenten en (bijna) continue psychofysiologische tracking in levensechte contexten. De gevraagde onderzoeksinfrastructuur maakt een flexibele wisselwerking mogelijk tussen exploraties van beloftevolle indicatoren in een labo-setting en het nagaan van de robuustheid in realistische, ecologische contexten, en weer terug.

Onderzoeker(s)

• Promotor: Gijbels David
• Co-promotor: Daelemans Walter
• Co-promotor: DeSmet Ann
• Co-promotor: Jankowska Anna
• Co-promotor: Latré Steven
• Co-promotor: Poels Karolien
• Co-promotor: Vaes Kristof
• Co-promotor: Van de Cruys Sander
• Co-promotor: Van den Bossche Piet
• Co-promotor: Van Waes Luuk

Onderzoeksgroep(en)

• EduBROn

Project type(s)

• Onderzoeksproject

Abstract

De Europese Green Deal steunt op gezonde bossen om koolstof (C) uit de atmosfeer te halen, watercycli te stabiliseren en voldoende biomassa te leveren voor de toekomstige bio-economie. Het Flanders Forest Living Lab realiseert een doorbraak in de studie van deze ecosysteemfuncties, op ruimtelijke schalen gaande van de individuele boom tot het volledige bos. Het bevindt zich in een ICOS flux-toren observatorium, dat momenteel reeds een permanente analyse toelaat van de CO2-fluxen, evapotranspiratie en respiratie op ecosysteemschaal. Tot op heden is er echter geen techniek beschikbaar om dit naar het functioneren van individuele bomen te vertalen. De specifieke uitrusting van Flanders Forest Living Lab maakt en realistische simulatie mogelijk van de water-, energie- en koolstoffluxen door geavanceerde vegetatiemodellen op ruimtelijke schalen die overeenkomen met die van satellietbeeldproducten. Hierdoor ontstaan nieuwe mogelijkheden voor toepassingen zoals geautomatiseerd precisiebosbeheer, brandpreventie en de wereldwijde kwantificering van het koolstofbudget. De infrastructuur bestaat uit een UAV en een reeks gekoppelde validatiesensoren. De waarnemingen worden gestuurd door kunstmatige intelligentie, om het vluchtpatroon te kunnen aanpassen aan het fluctuerende brongebied van de flux-toren, en om proactief in te spelen op specifieke weerpatronen en potentieel interessante grond-sensorwaarnemingen.

Onderzoeker(s)

• Promotor: Janssens Ivan
• Co-promotor: Campioli Matteo
• Co-promotor: Gielen Bert
• Co-promotor: Latré Steven
• Co-promotor: Nijs Ivan
• Co-promotor: Roland Marilyn
• Co-promotor: Scheunders Paul
• Co-promotor: Vicca Sara

Onderzoeksgroep(en)

• Planten- en Ecosystemen (PLECO) - Ecologie in tijden van verandering

Project type(s)

• Onderzoeksproject

Abstract

CalcUA stimuleert het gebruik van wetenschappelijk en technisch rekenen door toegang te verlenen tot state-of-the-art computerinfrastructuur. CalcUA deelt kennis en expertise, en biedt training aan rond het efficiënt gebruik van deze rekeninfrastructuur in combinatie met de best beschikbare algoritmen. Dit maakt het mogelijk om grootschalige wetenschappelijke problemen op een gedistribueerde manier op te lossen. Zo kunnen onderzoekers gebruik maken van de meest recente ontwikkelingen op vlak van wetenschappelijk en technisch rekenen in hun onderzoek en R&D. CalcUA creëert een platform voor het uitwisselen van ideeën en expertise voor grootschalige simulaties, het verwerken van grote data sets en aanverwante wetenschappelijke problemen. CalcUA maakt deel uit van het Vlaams Supercomputer Centrum, dat mee voorziet in financiering van personeel en infrastructuur. Financiering als kernfaciliteit zal gebruikt worden om de rol die CalcUA kan spelen verder te versterken door te investeren in training, community building, de ontwikkeling van nieuwe toepassingen en het opzetten van extern gefinancierde projecten tussen onderzoeksgroepen, lokale bedrijven en CalcUA, en dit zowel op nationaal en internationaal vlak.

Onderzoeker(s)

• Promotor: Vanroose Wim
• Co-promotor: Becuwe Stefan
• Co-promotor: De Winter Hans
• Co-promotor: Herrebout Wouter
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Neuromorf rekenen is een opkomend onderzoeksveld. In machinaal leren worden spiking neurale netwerken reeds gebruikt omwille van het vooruitzicht van het laag stroomverbruik van brein geïnspireerde systemen, waarmee tot een grootteorde energie wordt bespaard in uitvoering. Recent zijn er vergevorderde leermethoden ontwikkeld voor spiking neurale netwerken om de kloof in prestaties met diep leren te overbruggen, wat gebruik in reële toepassingen op elk apparaat, zoals continue hartslagmeting in smartwatches of on-sensor detectie van gevaarlijke geluiden mogelijk maakt. Preciezer, de vloeiende toestandsmachine (LSM), een recurrent reservoir-gebaseerd spiking neuraal netwerk, komt naar voor als een eenvoudig maar inherent zeer krachtig computationeel kader ter verwerking van spatio-temporele data. De op spikes gebaseerde verwerking van tijdsreeksen in een reservoir maken het mogelijk voor de LSM om kenmerken op een unieke wijze te extraheren. Er zijn nog veel open onderzoeksvragen, zoals wat voor soort leren het beste past bij het neuromorfische reservoir en hoe meerdere reservoirs op een optimale wijze kunnen worden geconnecteerd om zo de meest belangrijke kenmerken te extraheren. In deze aanvraag introduceren we nieuwe, op spikes gebaseerde, leerregels om relevante kenmerken kunnen afleiden in de LSM, meerdere reservoirs op een optimale wijze met elkaar connecteren door te focussen op de belangrijkste kenmerken om de prestaties van LSM bij laag stroomverbruik te verbeteren.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Deckers Lucas

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

De trend naar autonome drones leidt momenteel tot de integratie van een toenemend aantal sensoren voor veilige navigatie onder alle omstandigheden, waardoor algoritmen en hardware energiezuinig en snel moeten zijn. Wanneer de dronetechnologie verder matuur wordt, zal de inzet van zwermen van drones nog geavanceerdere gebruiksscenario's mogelijk maken, bijvoorbeeld in de precisielandbouw. Zwermen bieden ook de mogelijkheid om zowel sensorische als computermiddelen te delen, waardoor de zwerm zich gedraagt en reageert als een enkele samenwerkende entiteit met over het algemeen betere prestaties. In dit doctoraatsproject werken we met echte multisensorische data verzameld door meerdere drones en ontwikkelen we een spike-gebaseerde neuromorphic fusie-oplossing die draait op aangepaste imec hardware. Meer specifiek zullen we ons richten op de volgende onderzoeksvragen: - Kunnen we een low power sensor fusion oplossing bouwen op basis van spiking neurale netwerken voor autonome drone navigatie en obstakel vermijding, draaiend op imec hardware. We zullen verschillende oplossingen onderzoeken om spike coderingen uit te voeren en het leren uit te voeren. Er zal een afweging gemaakt worden tussen stroomverbruik en hardware. - Hoe kunnen samenwerkende drones, elk met hun eigen spike-gebaseerde neuromorphic fusie-oplossing, met elkaar communiceren op een tijdige en resource-efficiënte manier? Welke sensor fusion taken moeten worden uitgevoerd door welke nodes in een collaboratieve setting? - Kunnen we efficiënte technieken ontwikkelen voor gedistribueerde training over meerdere spike-gebaseerde drones om de individuele geheugen- en energiebehoefte van elke drone te verminderen en tegelijkertijd de convergentietijd van de zwerm te verlagen?

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Van Damme Laurens

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Conventionele klimaatmitigatie alleen zal niet in staat zijn de atmosferische CO2-concentraties te stabiliseren op een niveau dat compatibel is met de opwarmingslimiet van 2°C van het Akkoord van Parijs. Veilige en schaalbare negatieve-emissietechnologieën (NET's), die actief CO2 uit de atmosfeer verwijderen en koolstof (C) op lange termijn vastleggen, zullen nodig zijn. Snelle vooruitgang bij de ontwikkeling van NET's is nodig, om deze technologieen op grote schaal te kunnen inzetten en de overschrijding van omslagpunten in het aardse systeem te kunnen voorkomen. Toch zijn er nog geen NET's klaar om op een duurzame, energie-efficiënte en kosteneffectieve manier grote hoeveelheden CO2 uit de atmosfeer te halen . BAM! ontwikkelt 'super bio-versnelde mineraalverwering' als een radicale, innovatieve oplossing voor de NET-uitdaging. Hoewel versnelde silicaatverwering (ESW) eerder naar voren werd geschoven als een potentiële NET, is de huidige onderzoeksfocus op 1/ ex natura carbonatatie of 2/ langzame in natura ESW, gelimiteerd in zijn mogelijkheden. BAM! concentreert zich op een ongeëvenaarde reactortoepassing om de biotische verweringsstimulatie te maximaliseren met een lage input van hulpbronnen, en de implementatie van een geautomatiseerd, snel lerend proces dat het mogelijk maakt kritische doorbraken op het gebied van verweringsgraad snel aan te nemen en te verbeteren. De ambitie is om een NET te ontwikkelen dat kan ingezet worden tegen klimaatrisico's op de korte termijn (binnen 10-20 jaar). BAM! bouwt voort op de natuurlijke processen die hebben geleid tot sterke veranderingen in natuurlijke silicaatverwering en verankert deze in een nieuwe reactortechnologie. Het ambitieuze doel is de ontwikkeling van een onmisbare oplossing voor klimaatmitigatie.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Oramas Mogrovejo José Antonio
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het IDLab IOF-consortium bestaat uit academische promotoren van de onderzoeksgroep IDLab, een onderzoeksgroep aan UAntwerpen met leden verbonden aan de faculteiten Wetenschappen en Toegepaste Ingenieurswetenschappen. IDLab ontwikkelt innovatieve, digitale oplossingen in twee grote onderzoekslijnen: (1) internettechnologieën met de focus op draadloze netwerken en Internet of Things (IoT) en (2) data science met de focus op gedistribueerde intelligentie en artificiële intelligentie (AI). De missie van het IDLab-consortium is de nummer één worden in Vlaanderen en ook een leidende partner in de wereld op het gebied van onderzoek en innovatie in de hierboven vermelde onderzoeksgebieden en dan voornamelijk op het vlak van stedelijke en grootstedelijke toepassingen (industrie, haven en wegen). IDLab richt zich op geïntegreerde oplossingen vanuit een applicatie en technologie perspectief om deze missie te verwezenlijken. Uit het oogpunt van de applicaties bieden we oplossingen aan voor alle belanghebbenden in grootstedelijke gebieden zodat we een vruchtbare kruisbestuiving tussen applicaties krijgen. Uit technologisch oogpunt, bestaat ons onderzoek uit hardware prototyping, connectiviteit en artificiële intelligentie wat ervoor zorgt dat we een complete, geïntegreerde oplossing van sensor tot software kunnen bieden aan onze industriële partners. De laatste jaren heeft IDLab de stad en haar omgeving verbonden door middel van sensoren en actuatoren. Het is nu tijd om (1) betrouwbaar en efficiënt de data te verbinden op een geïntegreerde manier om zo (2) de gegevens om te zetten in goed geïnformeerde inzichten en intelligente acties. Dit komt perfect overeen met onze twee grote onderzoekslijnen die we intensief willen valoriseren in de komende jaren. Het IDLab-consortium heeft een unieke positie in het Vlaamse ecosysteem om deze missie te verwezenlijken aangezien het consortium strategisch geplaatst is over verschillende onderzoeksgebieden en innovatieve belanghebbenden: (1) IDLab is een onderzoeksgroep verbonden aan het strategisch onderzoekscentrum imec, een leidend onderzoeksinstituut op het gebied van nano-elektronica en meer recent ook op het vlak van digitale technologie door geaffilieerde onderzoeksgroepen zoals IDLab. (2) IDLab heeft een strategische verbondenheid met IDLab Gent, een onderzoeksgroep aan de Universiteit Gent. Hoewel elke groep haar eigen onderzoeksactiviteiten heeft, wordt er een gemeenschappelijke onderzoeksstrategie gedefinieerd. In het het Vlaamse ecosysteem worden we samen gezien als de leidende partner in het onderzoek dat we uitvoeren. (3) IDLab is de mede-oprichter van The Beacon, een Antwerps ecosysteem voor innovatie waar startups, scale-ups, etc. die IoT- en AI-oplossingen ontwikkelen voor de stad, logistiek, mobiliteit en industrie 4.0, kunnen samenkomen. (4) IDLab draagt bij aan de valorisatie binnen UAntwerpen op het vlak van grootstedelijkheid, smart city en mobiliteit. Om onze valorisatie doelen te verwezenlijken, zal IDLab vier valorisatieprogramma's definiëren: VP1 Opkomende technologieën voor IoT van de volgende generatie, VP2 Menselijke artificiële intelligentie, VP3 Machine learning at the edge, VP4 Deterministische communicatienetwerken. Elk valorisatieprogramma wordt geleid door een van de copromotoren van het IDLab-consortium en bestaat uit twee of drie innovatie lijnen. Op deze manier zal het IDLab-onderzoek vertaald kunnen worden in een duidelijk programma-aanbod voor onze (industriële) partners wat ervoor zorgt dat we elk van hen een aanbod op maat kunnen geven. Elk valorisatieprogramma zal bijdragen aan de verschillende IOF-doelstellingen maar op een gedifferentieerde manier. Op basis van onze huidige ervaring zullen sommige valorisatieprogramma's zich meer toespitsen op lokale partners terwijl andere programma's zich hoofdzakelijk zullen richten op internationale en door de EU gefinancierde onderzoeksprojecten.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Promotor: Latré Steven
• Promotor: Mannens Erik
• Co-promotor: Famaey Jeroen
• Co-promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Marquez-Barja Johann
• Co-promotor: Mercelis Siegfried
• Co-promotor: Mets Kevin
• Co-promotor: Oramas Mogrovejo José Antonio
• Co-promotor: Saldien Jelle
• Co-promotor: Verdonck Tim
• Co-promotor: Weyn Maarten
• Mandaathouder: Braem Bart
• Mandaathouder: Braet Olivier

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project is verantwoordelijk om het in stand houden van de City of Things Hercules infrastructuur. Binnen dit project werd het CityLab testbed ontwikkeld: een draadloos edge computing platform voor smart cities. Dit biedt experimenteel toegang aan tot draadloze netwerk infrastructuur, edge computing infrastructuur en smart city sensoren.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Promotor: Latré Steven
• Promotor: Mannens Erik

Onderzoeksgroep(en)

• Modelling for Sustainability (M4S)
• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In deze IOF POC willen we expertise in sportwetenschappen en machine learning samenbrengen om intelligente hulpmiddelen te ontwikkelen voor het coachen van duursporten. Deze hulpmiddelen helpen de coach bij het bepalen van het fitnessniveau van de atleten en geven vroegtijdige waarschuwingen voor mogelijke afwijkingen in de fysiologische gegevens. Door gebruik te maken van de kracht van machine learning hopen we een efficiënter en effectiever coaching proces te creëren dat atleten kan helpen hun volledige potentieel te benutten. Door sportwetenschappelijke kennis te integreren, streven we er bovendien naar ervoor te zorgen dat de hulpmiddelen die we ontwikkelen gebaseerd zijn op het nieuwste onderzoek en inzicht in hoe het lichaam reageert op duurtraining.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Het Vlaams AI-onderzoeksprogramma concentreert zich op generieke AI-methodologieën die algemeen inzetbaar zijn voor talloze toepassingen in de gezondheidszorg, de industrie en door de overheid. De noden zijn aangegeven door gebruikers uit deze toepassingsdomeinen.

Onderzoeker(s)

• Promotor: Mannens Erik
• Co-promotor: Calders Toon
• Co-promotor: Daelemans Walter
• Co-promotor: Goethals Bart
• Co-promotor: Latré Steven
• Co-promotor: Laukens Kris
• Co-promotor: Martens David
• Co-promotor: Sijbers Jan
• Co-promotor: Steckel Jan

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Er is een gebrek aan betrouwbare informatie over de huidige elementaire samenstelling van de Europese vegetatie en de factoren die daarop van invloed zijn. We onderzoeken 183928 records met georeferenties over de bladconcentraties van calcium (Ca), magnesium (Mg) en zwavel (S) van houtachtige planten uit gepubliceerde databases, waarmee we Europese kaarten kunnen maken van bladconcentraties van Ca, Mg en S in het blad met behulp van machine learning op een resolutie van 1 km^2 voor houtachtige planten. We streven ernaar om de relatie van ecologische processen, met name nutriëntencycli, te begrijpen in de complexe ecosysteemanalyse. Hiervoor ontwikkelen we een statistisch voorspellend model van de bladconcentratie van Ca, Mg en S.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Narsingh Vaidehi

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In het opkomende gebied van low-power AI voor kleine apparaten, worden Spiking Neural Networks (SNN) populairder als mogelijke technologie vanwege de eerste resultaten van brein geïnspireerde systemen die tot één of twee keer zoveel energie besparen voor inferentietaken. Terwijl de huidige SNN's doorgaans in de cloud worden getraind met behulp van varianten van de traditionele backpropagation-methode, zullen toekomstige toepassingen profiteren van de aanpassings- en leermogelijkheden op het apparaat. Spike-Timing-Dependent Plasticity (STDP) is een interessant, door de hersenen geïnspireerd, lokaal leeralternatief dat leren m.b.v. de temporele factor van de spike events op het apparaat zelf mogelijk maakt. Het heeft veelbelovende resultaten getoond i.v.m. het leren van unsupervised features. Voor de training van specifieke taken moet STDP uitgebreid worden met een derde factor zoals een successignaal om het leerproces te sturen. De bestaande leerregels met drie factoren gebruiken verschillende en enigszins ad-hoc definities voor de derde factor die al dan niet goed werken in bepaalde toepassingen. Nieuwe SNN-trainingsmethoden zullen onderzocht worden die STDP combineren met formele methoden als Temporal Logic om gestructureerde beloningssignalen te definiëren die toepasbaar zijn op supervised, self-supervised en Reinforcement Learning applicaties, en gedistribueerde implementatie mogelijk maken. Dit zal veel kansen bieden voor slimme industrieën, gezondheid, milieu enz.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Van Damme Laurens

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Veranderingen in het klimaat kunnen grote invloed hebben op de fenologie van planten, wat belangrijke feedbackeffecten kan hebben, zoals het veranderen van de koolstofcyclus. Deze fenologische feedback-effecten worden vaak veroorzaakt door een verschuiving in de begin- of einddatum van het groeiseizoen van planten. De genormaliseerde verschilvegetatie-index (NDVI) is een eenvoudige indicator die kan worden gebruikt om te bepalen of het waargenomen gebied groene vegetatie bevat en kan worden gebruikt om het groeiseizoen van planten te benaderen. In dit project passen we machine learning-technieken toe om de relatie tussen bodemtemperatuur en de NDVI-curve in een uniek ecosysteem in IJsland te onderzoeken en om erachter te komen of deze relatie wordt gemoduleerd door klimaatvariabelen.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Bussmann Bart

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het Vlaams AI-onderzoeksprogramma heeft als doel om het strategisch basis onderzoek omtrent AI aan de Vlaamse universiteiten en kenniscentrums te stimuleren. Dit onderzoek moet toepasbaar en relevant zijn voor de Vlaamse industrie. Concreet werden er 4 grote uitdagingen, met toenemende complexiteit, gedefinieerd: 1. Het ondersteunen van complexe beslissingen: focus op het nemen van complexe beslissingen door AI-systemen gebaseerd op datasets die mogelijks onvolledige of foutieve informatie kunnen bevatten. 2. Het verzamelen en verwerken van informatie in de edge: focus op het gebruik van AI-systemen in de egde i.p.v. de cloud door de integratie van software en hardware en de ontwikkeling van algoritmen die minder energie en andere hulpbronnen nodig hebben. 3. De autonome interactie met andere beslissingsentiteiten: focus op samenwerking tussen verschillende AI-systemen die onafhankelijk van elkaar opereren. 4. Het naadloos communiceren en samenwerken met mensen: focus op de natuurlijke interactie tussen mensen en AI-systemen en de ontwikkeling van AI-systemen die complexe omgevingen kunnen begrijpen en menselijke redeneringen kunnen toepassen.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Promotor: Latré Steven
• Co-promotor: Calders Toon
• Co-promotor: Daelemans Walter
• Co-promotor: Goethals Bart
• Co-promotor: Laukens Kris
• Co-promotor: Martens David
• Co-promotor: Sijbers Jan
• Co-promotor: Steckel Jan

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Traditionele technieken in het veld van machinaal leren zijn gericht op het ontwikkelen van voorspellende modellen die als enig doel hebben een hoge mate van nauwkeurigheid te verkrijgen op een bepaalde dataset. Dit soort modellen maakt gebruik van elk type associatie tussen de invoer- en doelvariabelen die de prestaties kunnen verbeteren. In de praktijk zijn er echter vaak significante verschillen tussen de training en de testverdeling, wat resulteert in onbetrouwbare en falende modellen. De sleutel tot het leren van generaliseerbare modellen die in een breed scala van omgevingen toepasbaar zijn (en die niet worden beïnvloed door kleine veranderingen in de testverdeling), ligt in het leren van causale voorspellende kenmerken. Het leren van causale modellen onder veranderende omgevingen en in systemen met verborgen verstorende factoren is echter een onopgelost probleem en houdt rechtstreeks verband met het generalisatieprobleem. In dit project willen we het nieuwe kader van causaal machinaal leren gebruiken om algoritmen te ontwikkelen die kunnen omgaan met veranderende omgevingen. Meer specifiek richt dit project zich op het leren van invariante en causale representaties uit data met behulp van causaal machinaal leren. De resultaten zijn modellen waarvan bewezen is dat ze beter generaliseerbaar zijn, interventies kunnen modelleren en interpreteerbare causale relaties direct uit data kunnen halen.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Nys Jannes
• Mandaathouder: Mortier Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Deep learning is de afgelopen tien jaar ongetwijfeld een modewoord geworden, en terecht: het is een uiterst krachtig instrument dat leert van grote hoeveelheden gegevens uit het verleden, en dat de vorige state-of-the-art praktijken in beeldverwerking, taalvertaling, spraak- en objectherkenning, biogeneeskunde, geneesmiddelenontwerp, enz. aanzienlijk heeft overtroffen. Het is inmiddels niet meer weg te denken uit onze dagelijkse werkelijkheid - Google Translate, Google Maps, Alexa, Siri, de gezichts- of vingerafdrukontgrendelingsfunctie van onze telefoon zijn allemaal gebaseerd op deep learning, en het zal van cruciaal belang zijn voor zelfrijdende auto's. Het praktische succes van deep learning gaat echter veel verder dan het theoretisch inzicht. Hoe werken en leren diepe neurale netwerken? Hoe goed zal het netwerk generaliseren naar ongeziene gegevens? Wanneer faalt het, en hoe kan dit worden vermeden? Mijn doel is licht te werpen op de laatste vraag, door te trachten de klassen van problemen te identificeren waarvoor deep learning slecht presteert. In het bijzonder zijn we van plan een aantal problemen te onderzoeken waarvan we verwachten dat topologische data-analyse beter zou presteren dan de resultaten die worden verkregen met diepe neurale netwerken. Topologie bestudeert vorm, en we verwachten dat het beter zal zijn in het detecteren van het aantal verbonden componenten, gaten en leegtes in hogere dimensies, of vormconvexiteit; maar recente resultaten geven aan dat hetzelfde zou kunnen gelden voor het detecteren van vormkromming. We zijn van plan dit experimenteel te onderzoeken, door de resultaten van de twee benaderingen te vergelijken, op een aantal verschillende synthetische datasets en gegevens uit de literatuur. Bovendien wordt verwacht dat deep learning minder goed presteert wanneer er niet veel gegevens beschikbaar zijn, of wanneer de gegevens ruis vertonen - daarom zullen we ook dergelijke scenario's in onze berekeningen opnemen. Topologische kenmerken kunnen dus worden aanbevolen als een alternatief voor deep learning wanneer ze een superieure prestatie beloven, maar de bevindingen zullen ons ook inspiratie geven over hoe we bestaande deep architecturen kunnen verbeteren, met bijvoorbeeld een extra netwerklaag voor topologische kenmerken, of topologische verliesfuncties voor de voorspellingsfout van het netwerk.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Update en onderhoud het AI-model elk kwartaal. imec-project over het automatisch recyclen van elektronisch afval, in plaats van handmatige recyclage, met behulp van een AI-model. Het AI-model is in een eerder project ontwikkeld en dit project is voor het onderhoud van het model en het maken van de nodige updates.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Mercelis Siegfried

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Raamovereenkomst om te kunnen indienen op onderzoeksprojecten van het Agentschap Telecom. Mogelijke onderwerpen zijn aspecten rond - Dynamic Spectrum Management & Sharing - Verkenning rollen Agentschap Telecom in de energietransitie - enz.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het project is gericht op (i) een nieuw, virtueel en gedistribueerd data-ecosysteem voor voedselbezorging aan fysieke winkels dat hyperresponsief en efficiënt wordt dankzij (ii) nauwkeurigere prognose- en personalisatiemodellen die gebruik maken van verbeterde AI- en planningstechnologieën om (iii) de optimalisatie van de end-to-end logistiek van boeren tot distributiecentra (DC's) tot winkels en klanten.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Hellinckx Peter
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

De hoofddoelstelling van het 'Smart Port' COOCK-project is het verbeteren van de operationele efficiëntie binnen de context van de haven, door toepassing van intelligente technologieën, gericht op kmo's, door de digitale maturiteit te verhogen via data gedreven digitalisering. De voorgestelde COOCK richt zich op twee doelgroepen: de waardeketen binnen een haven context, zoals terminal operatoren, schippers, agenten, transportbedrijven, expediteurs, rederijen, spooroperatoren, havenbesturen, ... en daarnaast technologie integratoren: startups, scale-ups, IT-bedrijven, e.d. die actief zijn binnen implementatietrajecten in een haven omgeving.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Hellinckx Peter

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

DAEMON zal een pragmatische benadering van NI-ontwerp uiteenzetten. Het project zal een systematische analyse uitvoeren van welke NI-taken op de juiste manier worden opgelost met AI-modellen, wat een solide set oplevert van richtlijnen voor het gebruik van machine learning in netwerkfuncties.

Onderzoeker(s)

• Promotor: Marquez-Barja Johann
• Co-promotor: Camelo Botero Miguel
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project website

Project type(s)

• Onderzoeksproject

Abstract

In manufacturing is het belangrijk om de operatoren snel op te leiden voor hun specifieke taak bij de hand. In dit project is het doel een ergonomisch model (digitale tweeling) te ontwikkelen van een werkcel (met hulpmiddelen als robots, apparatuur, gereedschappen). Dit bestaat uit verschillende aspecten: - VR enabled assessment -> "gepersonaliseerde" training (leren en geautomatiseerd examen door beoordeling van gedrag) - FOCUS op evenwicht tussen: ergonomie, welzijn en productiviteit - Afleiden van mentale belasting en ergonomische factoren voor advies over betere werkcelindeling

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

COVID benadrukte de behoefte aan nauwkeurige schatting op mensenmassa's (inclusief schatting van de dichtheid). De oplossingen die momenteel op de markt zijn, schieten echter tekort op het gebied van privacy, nauwkeurigheid en toepasbaarheid. Onze oplossing bestaat erin de menigte automatisch te monitoren door radar te combineren met detectie van alomtegenwoordige radiofrequentiecommunicatie. Net als het visuele spectrum wordt het radiospectrum voortdurend verlicht door energiebronnen. Het hergebruik van deze bronnen is efficiënt, en toch is het moeilijk om mensen achteraf te identificeren. Wat wij moeten bewijzen, is dat het accuraat kan zijn.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In het streven naar de ontwikkeling van een AI-chip die efficiënt een quadriljoen parameters tellend neuraal netwerkmodel kan ondersteunen, is het van het grootste belang om de juiste AI-toepassingen en hun AI-mogelijkheden te definiëren die deze chip kunnen aandrijven. In dit project is het de bedoeling om een vroege detectie te hebben van toekomstige toepassingen en vereiste AI-mogelijkheden, om mogelijke algoritmische benaderingen te identificeren, en om specifieke technologieprojecten als follow-up mogelijk te maken. Daartoe maken we een systematisch overzicht van toekomstige AI-evoluties en willen we een specifieke moonshot en routekaart definiëren om te volgen

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project is ontstaan uit de zoektocht van de haven van Antwerpen naar een innovatieve en kostenefficiënte oplossing om hun boulders beter te monitoren. Dit is belangrijk om overbelasting te vermijden, zeker met de alsmaar grotere schepen met zwaardere ladingen. Overbelaste boulders vormen een acuut gevaar in de haven met losschietende meertouwen tot gevolg waardoor schepen loskomen en tegen de kaaimuur kunnen botsen of boulders die letterlijk in een schip gekatapulteerd worden. Na een uitgebreide zoektocht is de haven tot de conclusie gekomen dat er momenteel nog geen voor de hand liggende oplossing op de markt is en hebben ze een call georganiseerd voor innovatieve oplossingen. Als reactie op deze call heeft IDLab een intelligent pro-actief waarschuwingssysteem voorgesteld dat bestaat uit geconnecteerde boulders om de haveninfrastructuur te monitoren. Dit systeem is gebaseerd op twee kerncompetenties ontwikkeld binnen IDLab: (i) sensoren en energiezuinige draadloze communicatie en (ii) intelligente dataverwerking. Aan de ene kant werd de voorgestelde oplossing positief onthaald door de haven en het potentieel erkend maar aan de andere kant is het duidelijk dat er nog verder onderzoek nodig is om de oplossing te kunnen uitrollen in een operationele omgeving. Binnen deze POC zal er ook onderzoek gedaan worden naar enerzijds het verdere marktpotentieel van deze technologie en anderzijds de technologische en contextuele requirements om een technologieleverancier de oplossing verder te laten opschalen naar de volledige haven. Verdere opportuniteiten in nichemarkten zullen worden geïdentificeerd op zowel de korte als de lange termijn door onder andere nauw samen te werken met de haven en gebruik te maken van hun uitgebreid netwerk (bv. de havens van Rotterdam, Hamburg en LA).

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Weyn Maarten

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Gegevens die relevant zijn voor het scannen van voorbijgangers worden verzameld in silo's en/of met een specifiek gebruik in gedachten. Er is geen technische oplossing om die gegevens samen te voegen of om de mobiliteit in haar geheel te beoordelen. De huidige stand van de techniek op dit gebied is de volgende: - Er bestaan gegevensmakelaars die stedelijke gegevens ontsluiten en zonder verdere verwerking aanbieden. - Gegevensverstrekkers erkennen de beperkingen van de gegevens die zij verzamelen. - Individuele partners hebben (tweerichtings)samenwerkingsverbanden opgezet met beperkt succes. - Fusie van beschikbare gegevens voor één mobiliteitsbeeld is op dit moment niet mogelijk. - Er bestaan silo-oplossingen (verticals). - Academische studies die GPS-sporen gebruiken zijn er in overvloed, maar zijn niet aanvaardbaar in een GDPR-gereguleerde B2B-markt. In dit project ontwikkelen we een raamwerk voor het opzetten van een mobiliteitsdata economie, die dient als een neutraal speelveld voor de tussenhandel van beschikbare mobiliteitsdata. Het doel is dat deze worden samengevoegd voor nauwkeurige beoordelingen en als input voor de volgende generatie van mobiliteitsmodellen. We houden rekening met privacy & ethiek, performantie, validatie van data en de noden van het beleid. Het CityFlows-platform, datasets, consortia en stakeholders zijn essentiële componenten om dit nieuwe zakelijke ecosysteem mogelijk te maken.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Versterkend leren is een actief veld in machinaal leren waar een agent leert om een taak uit te voeren door te interageren met de omgeving en het ontvangen van beloningen, afhankelijk van de gekozen actie. Recentelijk heeft versterkend leren veel doorbraken gezien in het verslaan van de beste menselijke spelers in verscheidene taken, zoals het klassiek bordspel Go en het populair videospel StarCraft II. Één van de redenen waarom de architecturen die gebruikt zijn zo succesvol zijn is dat bepaalde onderdelen relationeel kunnen denken, wat hen toelaat om de omgeving te zien in de vorm van objecten en gebruik te maken van relaties tussen deze objecten. Het veld van relationeel versterkend leren bekijkt hoe deze interacties tussen objecten geleerd kunnen worden en gebruikt om gegeven taken optimaal op te lossen. Aangezien dit veld relatief nieuw is, zijn er nog steeds veel open onderzoeksvragen, zoals hoe het beste voorstellingen van de omgeving, gebaseerd op deze objecten en relaties, gemaakt kunnen worden en hoe de efficiëntie van deze netwerken verbeterd kan worden door enkel de belangrijke relaties te leren terwijl irrelevante relaties genegeerd worden. In deze aanvraag introduceren we nieuwe architecturen in dit veld die ons toelaten om efficiënt de omgeving voor te stellen op een relationele manier, de efficiëntie te verbeteren door te focussen op de belangrijke relaties in deze voorstelling en de mogelijkheid om te generaliseren naar ongeziene taken te verhogen.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Avé Thomas

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het in kaart brengen van locaties is een speciaal geval van het probleem met omgekeerde geocodering. Op basis van de gps-coördinaten van de gebruiker, eennauwkeurigheidsradius en een lijst met locaties binnen die straal, willen we afleiden welke locatie de gebruikersbezoek. Helaas beperkt ruis in het signaal, en vooral in dichtbevolkte stedelijke gebieden, ons vermogen om bevredigende resultaten te bereiken. Uit onderzoek blijkt dat het mogelijk is om de resultaten te verbeteren door temporele kenne en gedragskennis te incorporeren in het venue mapping-model. Als bedrijf gespecialiseerd in het analyseren van sensorgegevens, zoals versnellingsmeter, gyroscoop en gps, vanaf mobiele apparaten, heeft Sentiance een enorme hoeveelheid gegevens van duizenden gebruikers. Een open vraag is hoe de data te gebruiken zodat het model volledig datagedreven kan worden getraind. Handmatig regels maken of het labelen van miljoenen locaties is geen optie en zou niet resulteren in een schaalbare, toekomstbestendige oplossing. Door het gebrek aan gelabelde gegevens, hebben we de nieuwste prestaties in Deep self-supervised bestudeerd om zo een ​​model te ontwerpen dat in staat zou zijn om autonoom de interne patronen bloot te leggen in de beschikbaar iet-gelabelde gegevens. Om rijke generalisatiemogelijkheden van ons model te garanderen, hebben we gezocht naar manieren om meer kennis in ons model op te nemen door middel van openbaar beschikbare data en transfer learning. Ondanks het feit dat dergelijke datasets bestaan, stonden we voor een ander probleem: het formaat van de data is zo verschillend van onze interne data waardoor geen van de bestaande Transfer Learning technieken kunnen direct worden toegepast. Om deze uitdaging aan te gaan, hebben we tenslotte de velden van multimodaal en multi-task leren bestudeerd. In dit project stellen we voor om een ​​serie Deep Learning modellen te trainen met een nieuwe architectuur die zouden resulteren in een nieuwe state-of-the-art oplossing voor het locatie mapping probleem.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Mandaathouder: Musaev Gadzhi

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)
• Modelling for Sustainability (M4S)

Project type(s)

• Onderzoeksproject

Abstract

Inland Waterborne Transport (IWT) voordelen als energiezuinige en CO2-emissievrije transportmodus worden vandaag niet volledig benut door hiaten in het logistieke systeem. Containerschepen voor binnenvaart betalen 6 tot 8 keer aan zeehaventerminals met lange wachttijden. Door suboptimale navigatie op rivieren en het wachten op bruggen en sluizen gaat meer tijd verloren. Daarnaast zijn de lage beladingsfactoren van containers en schepen van invloed op de logistieke systemen doordat er onnodig veel containers worden vervoerd en trips worden gemaakt. De strategie van NOVIMOVE is om het logistieke systeem te "verdichten" door de laadfactoren voor containers te verbeteren en de wachttijden in zeehavens te verkorten, door de planning en uitvoering van rivierreizen te verbeteren en door vlotte doorgangen door bruggen en sluizen te vergemakkelijken. De innovaties van NOVIMOVE zijn: (1) vrachtreconstructie om de containerbeladingsfactoren te verhogen, (2) mobiele terminals die binnenvaartschepen voeden, (3) slimme riviernavigatie door het samenvoegen van satellieten (Galileo) en real-time gegevens over rivierdiepten, (4) soepele doorgang bruggen / sluizen door dynamisch planningssysteem voor beter corridormanagement langs de TEN-T Rijn-Alpenroute (RA), (5) concepten voor innovatieve schepen die zich kunnen aanpassen aan laagwatercondities met behoud van een volledig laadvermogen, en (6) nauwe samenwerking met logistieke stakeholders, havens en waterschappen langs de RA-route: Antwerpen, Rotterdam, Duisburg, Basel. De technologische ontwikkelingen van NOVIMOVE zullen worden gedemonstreerd door virtuele simulatie, schaalmodeltests en demonstraties op ware grootte. De innovaties van NOVIMOVE zullen de hoeveelheid vracht die het IWT langs de R-A-corridor verplaatst met 30% beïnvloeden ten opzichte van de basisgegevens van 2010. Het NOVIMOVE 21-consortium bestaat uit logistieke operators, havens, systeemontwikkelaars en onderzoeksorganisaties uit 4 EU-lidstaten en twee geassocieerde landen. Het werkplan bevat 4 technische werkpakketten. De projectduur is vier jaar; de gevraagde financiering is 8,9 miljoen euro

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)
• Modelling for Sustainability (M4S)

Project type(s)

• Onderzoeksproject

Abstract

Recycl.AI bestudeert het gebruik van deep learning in de circulaire economie. Binnen dit project wordt vertrokken van een bestaand deep-learning gebaseerd visie algoritme, in het verleden uitgewerkt door IDLab, dat in staat is om met hoge accuraatheid de categorie van producten te herkennen die bij een e-waste verwerker worden binnengebracht.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Interactie tussen mensen en kunstmatige intelligentie (AI) ontbreekt nog steeds de mate van betrokkenheid en meevoering die de interactie tussen mensen kenmerkt. Het project WithMe wil deze kloof overbruggen door in detail de processen te onderzoeken die plaatsvinden in het menselijk brein wanneer de persoon samen met iemand anders een activiteit uitvoert: het nastreven van een gemeenschappelijk doel of gewoon genieten van een gemeenschappelijke activiteit. De hersensignalen die worden onderzocht, zijn kenmerkend voor aandacht, emotie en beloning. Op basis van bevindingen met mensen zal WithMe de kenmerken van een audiovisuele interactie onderzoeken die deze menselijk laten voelen, maar het project zal ook onderzoeken of een AI-systeem baat zou kunnen hebben bij directe toegang tot biomonitoring van de hersenen van een persoon waarmee het communiceert. De nieuwe mens-AI-benadering die aldus wordt afgeleid, zal een schat aan nieuwe toepassingen openen op het gebied van gezondheid, revalidatie, communicatie en informatie-uitwisseling, amusement, enz.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Open stad - Kennisoverdracht met betrekking tot de ontsluiting van standaarden en best practices voor een open 'gedataficeerde' maatschappij binnen het domein van omgevingsfactoren (luchtkwaliteit, geluid, water, licht, elektromagnetische straling...) als basis voor innovatieve waardenmodellen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Vandaag zijn drones gesofisticeerde waarnemers. Ze kunnen gegevens efficiënter vastleggen dan traditionele alternatieven. Ze kunnen ook de risico's van specifieke waarnemingen aanzienlijk beperken, waardoor mensen niet langer fysiek aanwezig hoeven te zijn in gevaarlijke omgevingen. De drones van morgen zullen evolueren van loutere waarnemers tot sterk geautomatiseerde, autonoom en zelfs besluitvormingsinstrumenten. De sky is the limit voor de toegepaste wetenschap van vliegende In dit project onderzoeken we hoe een energiezuinige radar kan worden geïntegreerd met energiezuinige neurale netwerkmodellen om nauwkeurige obstakelvermijding en drone-navigatie uit te voeren.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Door transport in stedelijke waterwegen meer kostenefficiënt te maken, zal Smart Waterway een verschuiving teweegbrengen in last-mile-logistics van wegverkeer naar kleine waterwegen in vele Europese steden, waaronder Gent. Voor kleine barges die deze waterwegen kunnen betreden, is de kost voor automatisering echter te hoog in vergelijking met de constructiekost. Er is dus een kostenvermindering nodig in de automatisering om dit mogelijk te maken. Wij geloven dat dit enkel kan gerealiseerd worden door de kost van de uitrusting voor autonoom varen drastisch te verlagen. Hiervoor zijn echter significante verbeteringen nodig in de state-of-the-art in sensoriek en lokalisatie-technologie. Hoewel een lagere accuraatheid volstaat om autonoom te navigeren op basis van waypoints, zullen goedkope sensoren op het schip niet volstaan voor complexe scenario's (bv. Sluizen, bottlenecks zoals bruggen en kaaien voor laden en lossen) waar accurate lokalisatie nodig is om het schip veilig te kunnen manoeuvreren. Om dit probleem op te lossen, zullen deze kritische locaties worden uitgerust met bijkomende sensoren (bv. Infrarood camera's) en een innovatief lokalisatie-systeem op basis van ultra-wideband technologie. Door betaalbare sensoren op het schip te combineren met infrastructuur aan wal , beoogt Smart Waterway economisch haalbare niveau 3 autonomie te realiseren in stedelijke binnenwateren.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Marquez-Barja Johann

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Opkomende kunstmatige intelligentie-applicaties in professionele sporten gebaseerd op het gebruik van sensoren, wearables en videogegevens bieden enorme mogelijkheden om live sportrapportages te innoveren, maar de code om deze gegevensbronnen om te zetten in aantrekkelijke en zinvolle verhalen is nog niet gekraakt. Om dit potentieel te ontketenen, zal DAIQUIRI een op de media gericht gegevensplatform voor sensoren en een professioneel dashboard ontwikkelen waarmee makers van inhoud live sportervaringen verbeteren. DAIQUIRI richt zich zowel op realtime verbetering van live-tv als bijna-live verhaal fragmenten in een interactieve set-top-box applicatielaag. De demonstrator van het project zal end-to-end gegevensintegratie van sensoren demonstreren voor de rapportage van hockey en cyclocross. DAIQUIRI zal ingaan op de huidige uitdagingen van de verwerking van de gegevens tsunami, sensor-video matching en verrijking, op inzichten gebaseerde captatie en de geautomatiseerde orkestratie van multimodale verhaalfragmenten via redactionele AI-algoritmen mogelijk maken. Het consortium bestrijkt de volledige waardeketen en brengt unieke expertise samen in het vastleggen van sportevenementen (Videohouse, NEP), een verrijkt sensorgegevensplatform (InTheRace, Arinti, imec-IDLab), redactionele tooling en storytelling (VRT) en interactieve gebruikerservaringen in een woonkamer omgeving (Telenet, imec-MICT).

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het doel van het HAI-SCS-project (Helicus Aero Initiative - Scheduling Connectivity Security) is om complete en veilige automatisering mogelijk te maken van missiekritieke UAV-vluchten gericht op medisch transport. Om de hierboven beschreven doelstelling mogelijk te maken, zijn belangrijke nieuwe technologische innovaties gepland binnen het SCI-project van HAI-consortium: * Een geautomatiseerd vluchtplanning- en planningsalgoritme dat in staat is om in realtime het beste vluchtplan en -schema te leren, gegeven een hoogdimensionale set invoerparameters en multimodale uitvoeropties (vluchten, grondtransport). Gezien de hoge dimensionaliteit van het probleem, is het doel om een ​​op leren gebaseerde aanpak te versterken, waarbij de totale beloning van alle UAS-vluchten wordt gemaximaliseerd. Er wordt een gefaseerde aanpak voorgesteld waarbij in een eerste fase wordt uitgegaan van een vast, op de corridor gebaseerd luchtruimontwerp, waardoor een operationeel handshake-gebaseerd vluchtgoedkeuringsproces mogelijk is dat met de autoriteiten kan worden opgezet. De tweede fase omvat de opname van een flexibel luchtruimontwerpmodel in het vluchtplanning- en -planningsproces. * Een dynamische beheerslaag voor heterogene servicekwaliteit (QoS) die naadloze QoS kan bieden via meerdere communicatiekanalen (bijv. 5G, 4G, privé-netwerken, directe C-band-koppelingen, enz.). Bovendien moet gegarandeerde connectiviteit, die voldoet aan de QoS-vereisten, direct worden opgebouwd en opgeschaald. * Een veelzijdig beveiligingsbeheersysteem dat de bouwstenen biedt om de communicatie en besturing van de UAS te beveiligen, rekening houdend met de specifieke beveiligings- en prestatie-eisen van de applicatie (bijv. Lage latency, hoge bandbreedte) en de resourcebeperkingen van de UAS (bijv. , batterij capaciteit).

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het Vlaams AI-onderzoeksprogramma heeft als doel om het strategisch basis onderzoek omtrent AI aan de Vlaamse universiteiten en kenniscentrums te stimuleren. Dit onderzoek moet toepasbaar en relevant zijn voor de Vlaamse industrie. Concreet werden er 4 grote uitdagingen, met toenemende complexiteit, gedefinieerd: 1. Het ondersteunen van complexe beslissingen: focus op het nemen van complexe beslissingen door AI-systemen gebaseerd op datasets die mogelijks onvolledige of foutieve informatie kunnen bevatten. 2. Het verzamelen en verwerken van informatie in de edge: focus op het gebruik van AI-systemen in de egde i.p.v. de cloud door de integratie van software en hardware en de ontwikkeling van algoritmen die minder energie en andere hulpbronnen nodig hebben. 3. De autonome interactie met andere beslissingsentiteiten: focus op samenwerking tussen verschillende AI-systemen die onafhankelijk van elkaar opereren. 4. Het naadloos communiceren en samenwerken met mensen: focus op de natuurlijke interactie tussen mensen en AI-systemen en de ontwikkeling van AI-systemen die complexe omgevingen kunnen begrijpen en menselijke redeneringen kunnen toepassen.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Calders Toon
• Co-promotor: Daelemans Walter
• Co-promotor: Goethals Bart
• Co-promotor: Hellinckx Peter
• Co-promotor: Laukens Kris
• Co-promotor: Martens David
• Co-promotor: Sijbers Jan
• Co-promotor: Steckel Jan

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Klimaatverandering zal de Arctische ecosystemen meer treffen dan elk ander ecosysteem, met verwachte temperatuurstijgingen tot 4-6°C. Terwijl dit bedreigend is voor de integriteit en biodiversiteit van de ecosystemen, is de grotere ecosysteem feedback, veroorzaakt door deze verandering, nog zorgwekkender. Gedurende miljoenen jaren werd atmosferische koolstof opgeslagen in de Arctische bodem. Met de opwarming kan deze koolstof snel ontsnappen uit de bodem in de vorm van CO2 of (nog erger) de sterke broeikas-agent CH4. Ondanks tientallen jaren van onderzoek worstelen wetenschappers nog steeds met het identificeren van de schaal van deze koolstofuitwisseling en vooral wat de wisselwerking zal zijn met de klimaatverandering. Een overkoepelende vraag blijft: hoeveel koolstof zal potentieel ontsnappen in het Noordpoolgebied in het toekomstige klimaat en hoe zal dit de klimaatverandering beïnvloeden? FutureArctic verbindt deze onderzoeksuitdaging rechtstreeks met een intersectoraal trainingsinitiatief voor beginnende onderzoekers, dat zich erop richt "ecosystem-of-things"wetenschappers en -ingenieurs te vormen op de ForHot site. The FORHOT site in IJsland biedt een geothermisch gecontroleerde verwarmingsgradiënt van de bodemtemperatuur om te bestuderen hoe Arctische ecosysteemprocessen beïnvloed worden door temperatuurstijgingen zoals verwacht bij klimaatverandering.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Van 17 oktober 2019 tot 19 april 2020 organiseert Kunstenstad de tentoonstelling Cool Japan op de derde verdieping van het MAS / Museum aan de Stroom. Als onderdeel van de tentoonstelling zal de 'humanoide' robot Pepper, eigendom van de IDLab, te zien zijn. Het is de bedoeling dat hij zijn humanoide functies uitoefent en live in interactie gaat met de bezoekers van de expo (jong en oud). IDLab verhuurt Pepper en zal haar programmeren om een gesprek aan te gaan met bezoekers, een quiz over de tentoonstelling te hosten en een dansje te doen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Bikonnector is een proof-of-conceptproject. In dit onderzoeksproject ligt de focus op verbonden fietsen voor een betere ervaring. De bestaande technologie wordt hierbij verder onder de loep genomen met het oog op valorisatie.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Reinforcement Learning Agents hebben de afgelopen jaren ongelooflijke successen behaald, met AlphaGo's overweldigende overwinning op een van 's werelds top Go-spelers als een hoogtepunt. Een ernstige beperking van dergelijke middelen is dat ze alleen weten hoe te functioneren in een zeer specifieke omgeving; AlphaGo kan Go niet spelen met een gewijzigde set regels, laat staan ​​competitief spelen in een ander bordspel. Het meta-learning-principe is erop gericht dit te verbeteren. Door de agent niet alleen op één taak te trainen, maar op veel taken uit een distributie, kan de getrainde agent snel leren hoe hij zich in een nieuwe taak uit de distributie moet gedragen. In dit project stellen we verschillende verbeteringen voor op het gebied van meta-reinforcement learning. Eerst stellen we een meta-learner voor gebaseerd op Hierarchical Temporal Memory, dat het menselijk brein nabootst volgens ons huidige begrip ervan. Dit systeem past zich snel aan aan veranderende patronen in de omgeving - een gewenste eigenschap voor een meta-learner. We onderzoeken ook een groot aanbod aan manieren om deze taakverdelingen automatisch te genereren en evalueren hoe we efficiënt nieuwe vaardigheden kunnen introduceren bij een reeds getrainde meta-learner. Ten slotte breiden we een meta-learner uit om met niet één, maar met veel taakverdelingen te werken. Idealiter zou een dergelijk systeem in staat zijn om snel elke denkbare taak te leren uitvoeren, minstens zo goed als een mens.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Struye Jakob

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Gedragseconomie biedt een relevant theoretisch kader om het ogenschijnlijke irrationele gedrag van mensen ten aanzien van hun gezondheid te verklaren en te voorspellen. Door individuen als niet rationele actoren met voorspelbare gedragsvertekeningen te beschouwen kunnen ze gegidst of "gepord" worden in de richting van meer wijze beslissingen, zonder daarbij hun keuzevrijheid te beperken of hun economische drijfveren drastisch te wijzingen. Dit project kijkt naar twee complementaire gezondheidsrisicogedragingen, (on)gezond eten en fysieke (in)activiteit, en analyseert hoe persuasieve cues of 'nudges' toegepast kunnen worden in interactieve, op het juiste moment ('just-in-time' – JIT) geplaatste interventies die aangepast zijn aan de unieke kenmerken, noden en context van een individu. Op dit moment is er nog steeds een enorme kloof tussen de technische capaciteit die nodig is om aangepaste communicatie te voorzien en bestaande theoretische kaders omtrent gedrag en gedragsverandering. Het hoofddoel van dit project is om deze leemte op te vullen door het ontwikkelen en testen van een integratief theoretisch kader over hoe JIT interventies gezondheidsgedrag beïnvloeden. Het wordt gerealiseerd door (i) een interdisciplinair perspectief te hanteren, (ii) de belangrijkste technologische bouwstenen te voorzien die JIT interventies mogelijk maken en (iii) de effectiviteit van verschillende interventies testen voor verschillende individuen in verschillende contexten.

Onderzoeker(s)

• Promotor: Dens Nathalie
• Co-promotor: De Pelsmacker Patrick
• Co-promotor: Latré Steven
• Co-promotor: Poels Karolien
• Co-promotor: Vandebosch Heidi

Onderzoeksgroep(en)

• Marketing

Project type(s)

• Onderzoeksproject

Abstract

Iedereen die gebruik maakt van draadloze communicatietechnologieën zoals Wi-Fi heeft zeker ervaring met een slecht werkend netwerk. 'Better Wi-Fi performance' googelen, levert alleen al 64.000 resultaten op. Dit leidt vaak tot ontevredenheid en frustratie, niet alleen vanwege de slechte prestaties zelf, maar ook vanwege het onvermogen de oorzaak van het probleem te achterhalen. Waarom zijn draadloze netwerken niet voldoende intelligent om hun configuratie te optimaliseren aan de noden van de diverse applicaties? Wanneer we kijken naar de laatste evoluties, dan zien we dat de flexibiliteit van deze netwerken toeneemt en zo beheersmogelijkheden bieden die kunnen worden gebruikt om te definiëren hoe data moet worden gebruikt. Er is dus flexibiliteit en de netwerken kunnen worden beheerd, maar we stellen dat zonder te herdefiniëren hoe applicaties in het netwerkmanagement passen, men configuraties zal blijven uitvoeren op basis van onvolledige informatie. Op deze manier worden suboptimale draadloze netwerkprestaties en de ontevredenheid van de gebruiker in stand gehouden. Daarom wil Ctrl-APP een nieuw netwerkparadigma opzetten, genaamd appdaptive networking. Dit wordt bereikt door de scheiding van data en control plane, een typisch netwerkconcept, uit te breiden naar applicaties. Op deze manier kunnen applicaties intenties doorgeven aan het netwerk, kunnen de netwerken op de juiste manier worden geïnstrueerd om fijnmazige diagnostiek uit te voeren en kan de resulterende kennis gebruikt worden om automatisch de beste configuratie te leren en uit te voeren.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Zeldzame gebeurtenissen in bewakingsvideostreams worden gedefinieerd als gebeurtenissen die afwijken van de ""normale"" werking en die het waard zijn te rapporteren of op te slaan voor latere analyse. Dit kunnen auto's zijn die ongewoon snel rijden, gevechten op straat, mensen die wegrennen, niet-geïdentificeerde objecten, ... De huidige state-of-the-art diepe neurale netwerken hebben opmerkelijke successen geboekt op het gebied van nauwkeurigheid bij een verscheidenheid aan AI-gerelateerde taken, maar vereisen doorgaans een grote set gelabelde gegevens om specifieke objecten en situaties op een bewaakte manier te herkennen. Dit project is gericht op het onderzoeken van het gebruik van diepe neurale netwerken om automatisch en zonder toezicht de belangrijke functies van een camerafeed te leren en later ongebruikelijke gebeurtenissen in de stream te melden. IDLab-UA zal de toepasbaarheid van neurale netwerken van de 3e generatie (spiking neurale netwerken) voor deze use case onderzoeken en imec inzichten verschaffen in het potentieel van spiking neurale netwerken (in vergelijking met gekwantiseerde kunstmatige neurale netwerken van de 2e generatie). Een belangrijk aspect is de mogelijkheid van toekomstig leren op de chip. De focus van het onderzoekspad van het spiking-neurale netwerk ligt op het gebruik van zeer eenvoudige modellen voor het spiking-neuronen, dat een latere implementatie in speciale hardware zou vergemakkelijken. Het beoogde spoor maakt gebruik van tijdelijke codering en een spike operationele modus in een multi-layer (convolutionele) netwerkarchitectuur. Training moet worden gedaan met behulp van alleen lokale leerregels en begint met standaard STDP (Spike Timing Dependent Plasticity) en zijn varianten. Verder kunnen gespecialiseerde spikingresponsmodellen worden ontwikkeld, geoptimaliseerd voor ingebedde inferentie met kortetermijngeheugen, en technieken voor netwerkgrootte-reductie worden verkend. Het werk aan het pieken van neurale netwerken begint met eenvoudige beeldclassificatie (op de MNIST-benchmark), biedt een eerste analyse van het gebruik van dynamische vision-sensorcamera's (DVS-camera's) voor bewegingsafwijkingsdetectie in video en eindigt met object- en bewegingsdetectie in korte videofragmenten. De resultaten zullen worden vergeleken met een onderzoekstraject met behulp van 2e generatie neurale netwerken, uitgevoerd door IDlab-Gent, en op dezelfde datasets. Evaluatiecriteria zijn onder meer de nauwkeurigheid van de ontworpen algoritmen, het vermogen om het aantal foutpositieve detecties in de loop van de tijd te verminderen, de (mogelijke) hardwarevoetafdruk van de ontworpen algoritmen en inzichten in het algehele potentieel van pieken in neurale netwerken op datasets die verder gaan dan de traditionele eenvoudige benchmarks.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

imec zal een gedetailleerd apparaatclassificatiemodel ontwikkelen dat het PoC-subclassificatiemodel uitbreidt. Ze zullen dan een classificatiemodel voor apparaatgrootte ontwikkelen. De volgende stap in het project is de systeemontwikkeling en integratie, data-engineering en rapportering. Hiermee is fase 1 van de projecten afgesloten. In fase 2 zal imec een apparaatklassificatiemodel ontwikkelen, gedetailleerd per apparaattype.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Een subcategorie classificatiemodel ontwikkelen dat het PoC subcategorie classificatiemodel uitbreidt. (i) Verkennende datasetanalyse en clean up. (ii) Nieuwe deep learning beeldclassificatiemodellen trainen op sub-subcategorieniveau. (iii) Rapporteren over de werking van het model.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Artificiële intelligentie (AI) in het algemeen en deep learning specifiek heeft verschillende doorbraken gekend in het laatste decennium en is nu in staat om beter te doen dan menselijke intelligentie in welomlijnde complexe taken. Hiervoor hebben de huidige deep learning technieken echter energieverslindende Graphical Processing Units (GPUs) nodig die in grootschalige datacenters draaien. Met de huidige evoluties in neurale netwerk hardware (neuromorphic computing zoals Neural Processing Units) kunnen we meer en meer lokale neurale netwerken verwachten dichtbij de rand van het netwerk (dicht bij de gebruiker). De kracht van netwerking (en specifiek het Internet) wordt momenteel onderbenut in de huidige AI-wereld: door verschillende heterogene learning systemen met elkaar te connecteren kunnen meer krachtige deep learning applicaties gebouwd worden. Het doel van dit project is om een laag te bouwen die verschillende heterogene learning systemen aan elkaar kan koppelen via het Internet. Dit laat toe om een enkelvoudig deep learning systeem te vormen die zowel on-line learning als reasoning toelaat. Hiervoor zullen we een low overhead communicatieprotocol bouwen gecombineerd met een Software Defined Networking controle laag die in staat is om te beslissen hoe en wanneer verschillende learning systemen geconnecteerd moeten worden. Ten slotte zal dit project ook concentreren op de aanpassing van verschillende learning algoritmes tot geconnecteerde algoritmes die makkelijk kennis kunnen transfereren van één learning systeem naar een ander.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Hutsebaut-Buysse Matthias
• Mandaathouder: Rocco Rodolfo

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Gezondheidszorg is een essentiële dienstverlening die veel gevoelige persoonsgegevens gebruikt met een hoge zwarte marktwaarde en daardoor een lucratief doelwit voor gegevensdiefstal en ransomware-aanvallen. De EU NIS-richtlijn (EU 2016/1148) en GDPR (EU 2016/679 ) zal de informatiebeveiliging in Europa harmoniseren en verbeteren. Beide vereisen dat relevante ICT-infrastructuuroperators risicoanalyses uitvoeren, de juiste beveiligingsmaatregelen nemen om de geïdentificeerde risico's te managen en inbreuken op de beveiliging melden. Helaas zijn op risico's gebaseerde benaderingen notoir moeilijk te implementeren op een consistente en uitgebreide manier. Ze zijn afhankelijk van een hoog niveau van kennis van zowel cybersecurity als van het systeem of netwerk dat moet worden beschermd, ze zijn arbeidsintensief en kostelijk en worden meestal uitgevoerd door kleine teams. Dit is in toenemende mate ontoereikend omdat zorgaanbieders IoT-systemen, clouddiensten en (in de nabije toekomst) 5G-netwerken introduceren om diensten te verlenen waarbij patiënten meer betrokken zijn, sommige van de gebruikte apparaten in eigendom hebben en toegang willen hebben in ziekenhuizen, onderweg of thuis. Het ProTego-project zal een toolkit en richtlijnen ontwikkelen om gebruikers van zorgstelsels te helpen cybersecurityrisico's in deze nieuwe omgeving aan te pakken door drie belangrijke voordelen te introduceren ten opzichte van de huidige aanpak: uitgebreid gebruik maken van machine intelligence: een combinatie van machine-gevolgtrekking die een a priori kennis gebruikt voor security-by-design en machine learning van data voor het detecteren en diagnosticeren van runtime threats; geavanceerde maatregelen voor gegevensbescherming: geavanceerde coderingstechnieken en op hardware gebaseerde volledige geheugenencryptie, en multi-stakeholder IAM voor het beheren van toegang tot en door apparaten van gebruikers, ter bescherming van data in rust en voor ultraveilige portals voor data-uitwisseling; Innovatieve protocollen voor stakeholder educatie: het gebruik van security-by-design analyse richt zich op training en ondersteuning van stakeholders om bij te dragen aan de algemene netwerkbeveiliging. De toolkit zal worden geïntegreerd en gevalideerd in IoT en BYOD-gebaseerde case-study's in twee ziekenhuizen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

De hoofddoelstelling van het Flexnet project is om een nieuw paradigma op te bouwen voor flexibele netwerkcommunicatie en zo de IoT waardecreatie te bevorderen. Het Flexibele IoT netwerk levert aan IoT waardecreatoren de mogelijkheid om netwerkcommunicatie op vraag te consumeren en dit in real-time, automatisch en volgens hun specifieke noden. Op Europees niveau bestaat het Flexnet Celtic-plus consortium uit 14 partners uit 5 verschillende landen. Het Belgisch consortium wenst te focussen op het onderhouden van missie-kritische communicatie gedurende noodsituaties, door het ondersteunen van een flexibel en betrouwbaar communicatienetwerk. De connectiviteit tussen verschillende heterogene draadloze netwerken zal georkestreerd worden door een nieuw platform (imec) dat al deze technologieën integreert in een enkelvoudige, cirtuele en in hoge mate configureerbare netwerkinfrastructuur. Micro-services zullen autonoom uitgerold worden en live gemigreerd worden op basis van gemonitorde IoT context en applicatievereisten.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Antwerpen is de economische sterkhouder van Vlaanderen, dankzij haar wereldhaven, de tweede grootste chemie cluster, een sterke creatieve sector maar vooral een gezamenlijke ambitie om door middel van innovatie de regio te laten groeien. De rol van de universiteit is verbreed naar 'driver', drijvende kracht, voor innovatie: ze wordt een innovatieve regionale kracht in de kennisintensieve ecosystemen. Enerzijds door het afleveren van goed opgeleide mensen; anderzijds door in te speelnop de specifieke noden van het innovatie-ecosysteem waarin de universiteit is ingebed. Uitgaande van de eigen sterktes van de Universiteit Antwerpen gecombineerd met de eigenheden van het Antwerpse ecosysteem zet de universiteit in op drie valorisatiedomeinen. om de valorisatieprocessen binnen deze verschillende domeinen te ondersteunen en te versterken wordt binnen elk van deze domeinen een pre-incubatiestructuur opgezet. Dit is een open innovatie hub waar fysiek de verschillende actoren van het desbetreffende innovatie ecosysteem elkaar kunnen vinden om samen aan innovatieprojecten te werken en trainingsprogramma's te volgen. Een van deze opgezette valorisatie domeinen is Grootstedelijkheid, smart city, mobiliteit en logistiek. In dit domein wordt vanuit The Beacon samengewerkt aan IoT en AI-projecten met toepassingen in smart city, smart industrie, slimme haven en logistiek, slimme mobiliteit en slimme gebrouwen. The Beacon is ontstaan uit een unieke samenwerking tussen de stad, de haven, de universiteit, IMEC, Lantis en Agoria.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Bracke Ilse

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project website

Project type(s)

• Onderzoeksproject

Abstract

Dit project wil een eerste initiële studie uitvoeren om het werk in beeld te brengen en het project te definiëren om te onderzoeken of AI kan helpen in het automatiseren van de sampling, een op een neural network gebaseerde aanpak te ontwerpen om elektronische apparaten automatisch te classificeren en dit te valideren op de bestaande Recupel dataset.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project is deel van de IMEC raamovereenkomst en voorziet in een structurele financiering van IMEC naar de groep toe om fundamenteel onderzoek te promoten. Deze middelen worden voorzien op basis van jaarlijkse KPIs die de groep moet halen naar IMEC toe (publicaties, financiering, enz.). Details hiervan zijn gedefineerd in de Way of Working van de raam overeenkomst tussen Universiteit Antwerpen en IMEC.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het onderzoek naar de prestaties van de fysische laag van communicatienetwerken richt zich vooral op het ontwikkelen van nieuwe transmissietechnieken, zoals MIMO, OFDM/DMT. De fysieke laag is echter meestal op een statische wijze geconfigureerd en is dus zelden in staat de tijdsdimensie echt te exploiteren. De bovenliggende lagen van de protocol stack hebben cruciale tijd gerelateerde informatie (bv. netwerk verkeer) die zou kunnen worden gebruikt op de fysieke laag om dynamisch verschillende configuraties te selecteren en aldus de prestaties te verbeteren. Het doel van dit project is dan ook in real-time adaptive fysische laag controle algoritmen te ontwikkelen die kan gecombineerd worden met hogere lagen netwerk functies om aldus de tijdsdimensie beter te exploiteren. Dit zal gebeuren in de context van de 5de generatie breedband koper toegangsnetwerk (5GBB). Dit netwerk voorziet een hybrid fiber-DSL systeem waar de glasvezel eindigt op de grens publiek-prive domein. De beperkt lengte van koper verbinding, samen met het gebruik van specifieke transmissie technieken laat toe data rates van 10Gbps te bekomen. Bovendien is het de bedoeling om adaptive fysische laag control algoritmen te ontwikkelen die in real time werken.

Onderzoeker(s)

• Promotor: Blondia Chris
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Binnen het Smart Highway-project zullen MOW en imec een hightech testomgeving bouwen om geautomatiseerd rijden te ondersteunen langs (een deel van) een snelweg [10-20 km E313 en een deel van de ring van Antwerpen R01] in combinatie met een regionale weg [ Turnhoutsebaan N12 richting het centrum van Antwerpen]. Deze wegen worden uitgerust met draadloze communicatie (zowel 802.11p als LTE-V) en sensortechnologieën en er zullen concrete test cases worden opgezet om deze technologieën te testen voor het ondersteunen van geconnecteerde en geautomatiseerde voertuigen, gebaseerd op real-life monitoring en analyse. Naast imec en MOW zullen ook KU Leuven en Flanders Make een bijdrage leveren aan het project.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In het City of Things-initiatief werken imec, de stad Antwerpen en het Vlaams Gewest samen om van Antwerpen een grootschalige proeftuin te maken voor het testen en ontwikkelen van smart city-technologie. Met dit unieke project willen we een drijvende kracht worden voor het onderzoek naar - en de ontwikkeling van - slimme steden.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het "Cognitief Draadloos": project heeft als doel om een AI laag te bouwen bovenop bestaande software defined radios, dat instaat stelt om zowel de gebruikte draadloze technologie van andere nodes in het netwerk als soort applicatie te herkennen op basis van IQ samples. Er zal een deep learning aanpak genomen worden waarbij een classificator ontwikkeld zal worden die IQ samples mapt op een reeks van voorgedefinieerde technologieën (WiFi, Bluetooth) of trafiek klasses (bursty, narrowband, enz).

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het "Beter dan bedraad" project heeft als doel om deterministische garanties te bieden op draadloze netwerken zodat ze dezelfde Quality of Service prestaties hebben als hun bedrade tegenhanger. Daarenboven hebben ze het voordeel dat ze makkelijker te installeren zijn. Dat is vooral belangrijk in een industrie 4.0 scenario waar bedrijven hun connectiviteit willen optimaliseren. Het project zal bestaande bouwblokken zoals ORCHESTRA en real-time SDR samenbrengen om een end-to-end programmeerbaar draadloos netwerk te bouwen.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Marquez-Barja Johann

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het RAMSES-consortium werkt aan de commercialisering van het EmergencyEye, een systeem ontwikkeld om ambulancepersoneel een betere communicatie te verzekeren met patiënten en omstaanders. De innovatie die spoedpersoneel ondersteunt met een snelle geolocatie, diagnose en audiovisuele begeleiding van reanimatiemaatregelen, werd eerder al getest in een pilootproject in Rhein-Kreis-Neuss, Duitsland.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Concorda draagt bij tot de voorbereiding van de Europese snelwegen voor geautomatiseerd rijden en truck platooning met voldoende geconnecteerde diensten en technologieën. Het hoofddoel van de actie is om prestaties van hybride communicatiesystemen te beoordelen (betrouwbaarheid/beschikbaarheid), waarbij 802.11p en LTE connectiviteit worden gecombineerd in echte verkeerssituaties. De studie bereidt daarnaast de verbetering voor van lokalisatie diensten. Als een onderdeel van het project wordt een validatie en demonstratie van de ontwikkelde methoden voor zelforganisatie uitgevoerd door middel van uitgebreide simulatie-experimenten, waarbij haalbare kostenbesparingen en prestatieverbeteringen worden bekeken.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het doel van FUSE is om onderzoek te doen naar / prototype te maken van een flexibel federeerbaar service-platform dat gebruikt kan worden voor het ontwikkelen, uitvoeren en beheren van geünificeerde micro-services.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Observer wil de verkeerslichten in de stad zo slim maken dat ze ook onvoorziene problemen kunnen omzeilen. We verzamelen informatie over bewegende en stationaire voertuigen met behulp van camera's en verkeerstellers, over de hoeveelheid kwetsbare weggebruikers, alle prioritaire voertuigen op de baan, enz. We combineren deze gegevens vervolgens met bekende statistieken over normale en abnormale verkeersvolumes, zodat we een duidelijk beeld kunnen geven van hoe het verkeer zou moeten zijn, rekening houdende met deze variabelen. Moeten sommige verkeerslichten langer groen blijven? Of korter? moet de snelheidslimiet worden aangepast? Dag en nacht, zonder dat iemand dit alles in de gaten moet houden.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Onderzoek naar een gekalibreerd fijnmazig city sensins netwerk voor omgevingsparameters in het kader van de Proeftuinen Smart Cities. Dencity wil meten hoeveel fijnstof en elektromagnetische radiatie er zich in de lucht bevindt. Accurate, relevante en real-time opmeting staat centraal. Hebben we voldoende sensoren in de stad om dit op te meten en zijn deze van topkwaliteit om de exacte data aan te leveren?

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Onderzoek naar proactive flooding detection in het kader van de Proeftuinen Smart Cities. Het Flooding project combineert real-time informatie van sensoren in riolen en stromen, gebruik makend van informatie, verschaft door radarbeelden en andere nuttige weergerelateerde input. Deze informatie wordt vertaald in bruikbare informatie voor brandweer en bewoners. Ook de beheerders van de afvoersystemen kunnen hierdoor sneller mogelijke problemen lokaliseren in hun netwerk.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Internet of Things wordt gekarakteriseerd door vele applicaties die lage bandbreedtes willen versturen over lange afstand, minimale kost en beperkte energie. Recent werden er in deze context zogenoemde SIM-loze draadloze technologieën voorgesteld: low power Wide Area Networks (LPWANs). Door gebruik te maken van sub-Ghz frequenties (typisch 433 of 868 Mhz) kan een LPWAN basisstation afstanden tot 50 kilometer overbruggen en duizenden nodes tegelijkertijd verbinden. Typische voorbeelden hiervan zijn SigFox, LoRa, IEEE 802.15.4g en WiFi HaloW. Deze technologieën zijn echter slechts recent voorgesteld en staan nog in hun kinderschoenen. Vele belangrijke optimalisaties m.b.t. Quality of Service, roaming, beheer van services, enz. bestaan vaak nog niet. Daarnaast gebruiken ze vaak hetzelfde spectrum wat kan leiden tot hoge niveaus van interferentie. Dit kan snel leiden tot congestie en onbetrouwbaarheid. Om dit te voorkomen wil het IDEAL-IoT project nieuwe geavanceerde en hoog configureerbare netwerk componenten ontwikkelen die, samen met een coördinatie raamwerk, kunnen gebruikt worden om het eco-systeem van draadloze sub-Ghz LPWANs te beheren. Meer specifiek zal Ideal-IoT focussen op 3 uitdagingen: 1) Binnen een technologie zal IDEAL-IoT de prestatie van bestaande LPWANs verbeteren met als focus op (i) een verhoogde schaalbaarheid (ii) de mogelijkheid om real-time data toe te laten en (iii) een verbeterde energie efficiëntie te bekomen tussen PHY&MAC co-ontwerp. 2) Tussen technologieën zal IDEAL-IoT de prestatie van LPWAN netwerken in hetzelfde spectrum verbeteren door de coëxistentie zowel tussen verschillende operatoren en tussen verschillende technologieën te beheren. Dit met als doel om (i) het pakket verlies sterk te verminderen en (ii) inter-technologie roaming en communicatie mogelijk maken. 3) Onderzoeken hoe virtualisatie kan gebeuren in een LPWAN omgeving. Dit omvat de ontwikkeling van technologie agnostische componenten, de mogelijkheid om configuraties uit de cloud te laten en over-the-air updates toe te laten.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Famaey Jeroen

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het doel van het 5GUARDS projecten is om te onderzoeken hoe diensten met diverse kwaliteitseisen simultaan kunnen uitgerold worden op dezelfde fysieke 5G netwerk infrastructuur. Dit zal gebeuren door het concept van netwerk slicing verder uit te werken. 5GUARDS bestudeert hiervoor drie verschillende bouwblokken: core slicing, RAN slicing en dynamische software herconfiguratie.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project website

Project type(s)

• Onderzoeksproject

Abstract

Experimenteel gestuurd onderzoek wordt beschouwd als een sleutelfactor voor de groei van de Europese internetindustrie. Om dit type RTD-activiteiten mogelijk te maken, zijn een aantal projecten opgestart voor het creëren van een Europese faciliteit voor Future Internet Research and Experimentation (FIRE), elk project richt zich op een specifieke gemeenschap binnen het ecosysteem van de toekomst. Door de federatie van deze infrastructuren worden innovatieve experimenten mogelijk die de grenzen van deze domeinen overschrijden. Daarnaast kunnen infrastructuurontwikkelaars gemeenschappelijke hulpprogramma's van de federatie gebruiken, zodat ze zich kunnen concentreren op hun kernactiviteiten met proeftuinactiviteiten. In de recente projecten zijn de voordelen van deze federatie binnen een community al met succes aangetoond. Het Fed4FIRE + -project is van plan om de volgende stap in deze activiteiten te implementeren door met succes de grenzen van de gemeenschap te federaliseren en openheid te bieden voor toekomstige uitbreidingen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Deze dagen worden steeds meer verschillende toestellen verbonden met het internet of een netwerk, dit wordt ook wel het 'Internet of Things' (IoT) genoemd. Meer en meer toepassingen binnen het 'Internet of Things' worden kritischer en hebben strikte vereisten van de onderliggende draadloze infrastructuur. Denk hierbij aan het controleren en besturen van drones, wat een zeer betrouwbare communicatie met een zeer lage latency vereist met de mogelijkheid om van netwerktechnologie te veranderen als dit nodig is. De huidige IoT netwerken kunnen deze vereisten niet garanderen omdat (1) elke netwerktechnologie onafhankelijk werkt van de andere, (2) IoT toepassingen maar beperkte controle heeft over verschillende devices in het netwerk en (3) bestaande netwerk management oplossingen (zoals Software Defined Networks) enkel toepasbaar zijn op toestellen met voldoende resources. In het WHISPER project stellen we een manier voor dat dezelfde flexibiliteit kan garanderen in het managen van IoT netwerken net zoals in de bestaande netwerk management oplossingen, waarbij de ondersteuning van devices van derde met weinig resources gegarandeerd blijft. Door het genereren van "kleine leugentjes om bestwil" (artificiële berichten) omtrent de staat van het netwerk, kunnen we het gedrag van devices in het netwerk gaan aanpassen met als doel om het gehele netwerk te verbeteren en de netwerk vereiste te kunnen garanderen. Deze artificiële berichten kunnen gebruikt worden om het netwerk 'beet te nemen' op alle verschillende IoT netwerk lagen zoals MAC, netwerk- en transportlaag, in verschillende protocols. WHISPER kan op deze manier de controle krijgen over de volledige netwerk stack, zoals routing, link en end-to-end communicatie. WHISPER is dus in staat om een IoT omgeving met meerdere netwerk technologieën te beheren en controleren zodanig dat kritieke applicaties, zoals drones, gebruik kunnen maken van een betrouwbaar IoT netwerk.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Famaey Jeroen
• Mandaathouder: Mennes Ruben

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Steden maken gebruik van het Internet of Things om een slimme infrastructuur te bekomen en dit door gebruik te maken van sensoren en controle toestellen, met als doel het leven in de stad te verbeteren. Analyse van de verzamelde data zal op een geautomaseerde wijze een meer efficiënte controle van de verschillende processen in een stad mogelijk maken (bv. mobiliteit). Om de slimme stad infrastuktuur te bekomen beschouwen we drie lagen: de network/sensor laag, i.e. een stedelijk communicatienetwerk gebaseerd op een variëteit aan technologiëen en bijhorende protocol stacks waaraan sensoren zijn gekoppeld die de ruwe data verzamelen; een data laag die de continue stroom data opslaat en verwerkt (bv. toepassen van datamining technieken); een applicatie laag verantwoordelijk voor de interpretatie van de verwerkte data teneinde te komen tot een meer optimale controle van de stad. De network/sensor laag wordt behandeld door de MOSAIC onderzoekgsgroep (Dept. Wiskunde en Informatica, Chris Blondia and Steven Latré); de data laag is de verantwoordelijkheid is van de ADREM onderzoeksgroep (Dept. Wiskunde en Informatica, Bart Goethals); de applicatie laag wordt door de onderzoeksgroep Transport en Regionale Economie behandeld (Dept. Transport en Regionale Economie, Eddy Van de Voorde and Thierry Vaneslander). Het uiteindelijk doel van dit project is de expertise aanwezig aan de Universiteit Antwerpen op elk van deze drie lagen samen te brengen, met als bedoeling het onderzoek te bundelen en via intensieve samenwerking te komen tot een globaal raamwerk voor deze drie lagen. In het bijzonder wordt er gestreefd naar een smart city platform, gericht op mobiliteit, dat toelaat de smart city data in het algemeen en m.b.t. mobiliteit in het bijzonder, te capteren, te verwerken, te analyseren en te interpreteren. Als eindresultaat bekomen we een proof-of-concept waar de verschillende resultaten worden gecombineerd in een demonstrator.

Onderzoeker(s)

• Promotor: Blondia Chris
• Co-promotor: Goethals Bart
• Co-promotor: Latré Steven
• Co-promotor: Van de Voorde Eddy
• Co-promotor: Vanelslander Thierry

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project website

Project type(s)

• Onderzoeksproject

Abstract

SynchroniCity is een eerste poging om een ​​Single Digital City Market voor Europa te realiseren door de fundamenten op schaal te besturen in 11 referentiezones - 8 Europese steden en 3 andere steden over de hele wereld - en 35 partners uit 11 landen op 4 continenten met elkaar te verbinden. Voortbouwend op een uitgebreide Europese kennisbank ontleend aan initiatieven zoals OASC, FIWARE, FIRE, EIPSCC en met partners met leidende rollen in toonaangevende instellingen, b. ITU, ETSI, IEEE, OMA, IETF, levert SynchroniCity een geharmoniseerd ecosysteem voor IoT-enabled smart city-oplossingen, waar IoT-apparaatproducenten, systeemintegrators en leveranciers van oplossingen kunnen innoveren en openlijk concurreren. SynchroniCity zal een referentiearchitectuur opzetten voor de beoogde IoT-enabled city market place met geïdentificeerde interoperabiliteitspunten en interfaces en datamodellen voor verschillende verticals. Dit omvat tools voor co-creatie en integratie van legacy-platforms en IoT-apparaten voor stedelijke diensten en enablers voor data-discovery, toegang en licenties, waardoor de barrières voor deelname aan de markt worden verlaagd. SynchroniCity zal meteen als bakeninitiatief dienen om anderen te inspireren om zich bij het gevestigde ecosysteem aan te sluiten en bij te dragen aan de opkomende markt. SynchroniCity neemt een inclusieve aanpak om het ecosysteem te laten groeien door bedrijven en steden uit te nodigen om deel te nemen via een open call, waardoor ze kunnen deelnemen aan de baanbrekende marktplaats voor een tweede golf van succesvolle pilots. Ze zullen het ecosysteem versterken door een positieve golf te creëren in heel Europa en wereldwijd, om momentum en kritische massa te verwezenlijken voor een sterke Europese aanwezigheid in een wereldwijde digitale markt van IoT-compatibele oplossingen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het High Impact project van IMEC heeft als doel om fundamenteel onderzoek te stimuleren dat in de toekomst de valorisatie van de groep ten goede kan komen. Binnen dit project, werden de volgende onderzoekslijnen gefinancierd: - Appdaptive: configureren van IoT netwerken op basis van de applicatievereisten - Deelname in de DARPA spectrum collaboration challenge - Densenets: SDN-gebaseerd netwerk beheer van draadloze netwerken (met als resultaat het ORCHESTRA platform) - SUBWAN: onderzoek naar LPWAN netwerken

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In het City of Things-initiatief werken imec, de stad Antwerpen en het Vlaams Gewest samen om van Antwerpen een grootschalige proeftuin te maken voor het testen en ontwikkelen van smart city-technologie. Met dit unieke project willen we een drijvende kracht worden voor het onderzoek naar - en de ontwikkeling van - slimme steden.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In dit project worden de juiste criteria gedefinieerd voor een efficiënte IoT architectuur voor stadslogistiek. Daarnaast wordt de meerwaarde van het gebruik van deze IoT architectuur aangetoond aan de hand van specifieke logistieke toepassingen m.b.t. stadslogistiek.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het SeRGIo project focust op een qualitatieve en quantitatieve oplossing voor mobiele sensing toepassingen op stedelijke schaal. De voorgestelde aanpak vult conventionele Smart City platformen aan met een "human als sensor" paradigma dat bouwt op de beschikbaarheid van mobiele arbeidskrachten, gemotiveerde burgers en hun mobiele toestelllen om gegevens te verzamelen op een schaal en met een nauwkeurigheid en fijnmazigheid vele keren groter dan momenteel mogelijk is. Het SeRGIo consortium vertrekt van het argument dat, om het potentieel van Smart Cities werkelijk te exploiteren en een accuraat beeld te schetsen van de maatschappelijke dynamiek, het verzamelen van qualitatieve gegevens even belangrijk is dan de (gequantificeerde) gegevens die aangeleverd worden door fysieke sensoren. Voorbeelden van qualitatieve metrieken zijn bv. de perceptive van vriendelijkheid en veiligheid van een buurt, de graad van vervuiling, of de ervaring met publieke dienstverlening en tijdens het winkelen. Het project wordt gedreven door drie veelbelovende business cases (van Nokia, bpost en CityLife), die de nood delen voor hoge kwaliteitsdata en professionele data analyse. Hoewel het potentieel voor mobiele sensing toepassingen duidelijk is, is het verre van triviaal om een oplossing te ontwikkelen die de verwachtingen van bovenstaande cases kan inlossen. Een aanvaardbare oplossing (1) moet zowel qualitatieve als quantitatieve data verzamelen en synergieën exploiteren door de twee soorten data te mengen, (2) moet taken precies kunnen richten aan een welafgelijnde doelgroep gebaseerd op hun spatio-temporelle context, en (3) moet de performantie en het energieverbruik van mobiele toestellen optimalizeren, terwijl de veilgheid en de privacy gegarandeerd wordt. Hedendaagse oplossingen falen om deze vereisten te ondersteunen. SeRGIo zal daarom onderzoek verrichten naar: 1. De definitie van een familie domeinspecifieke configuratietalen om de vereisten van industriële gebruikers te formalizeren en een orchestratiedienst te informeren over de meest geschikte subset van mobiele gebruikers. 2. Een orchestratiedienst die de verdeling van taken naar een gerichte groep van potentiele eindgebruikers automatizeert, gebaseerd op de multi-modale gedragsanalyze van hun locatie, activiteiten en de mogelijkheiden van hun toestel. 3. Een flexibele en modulaire data verwervingsarchitectuur die toelaat om platform-onafhankelijke HTML5 sensormodules en platform-specifieke acceleratoren dynamisch te downloaden en te configureren, gebaseerd op de vereisten van de toepassing of eindgebruiker. Deze architectuur zal ingevuld worden met een suite van acceleratoren die platform-specifieke eigenschappen gebruiken (bv. via Digital Signal Processors of Graphical Processing Units) om substantiële verbeteringen te bereiken qua performantie en energieverbruik. 4. Een modulair, lichtgewicht en multi-modaal data analyze raamwerk dat toelaat om een aangepaste pijplijn van data-analyze componenten te assembleren op het mobiele toestel en combinaties te maken van quantitatieve en qualitatieve data.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Hellinckx Peter

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project financiert de IDLab IOF valorisatie manager (momenteel Ilse Bracke) om de valorisatie van de IDLab IMEC activiteiten te promoten. Deze focussen op Internet of Things, 5G en Artificiële Intelligentie. De primaire applicatie domeinen zijn smart cities, industry 4.0, mobiliteit en logistiek.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Lannoo Bart

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het CONAMO project wil de trainingsvoorbereiding naar en de beleving op een grootschalig fietsevenement voor recreatieve renners verbeteren. Het doet dit via het monitoren en analyseren van een stroom aan fietssensordata, afkomstig van de renner en zijn vrienden. Hiervoor wordt onderzoek verricht naar een nieuwe betrouwbaar lange afstandsnetwerk in combinatie met intelligente data analyse algoritmes die de data kunnen verwerken.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Famaey Jeroen

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Draadloze sensor netwerken (DSNs) zijn, dankzij hun brede toepasbaarheid, in het laatste decennium uitgegroeid tot een uiterst populair concept. Ze kunnen worden gebruikt in een brede waaier aan meet- en controletoepassingen, zoals verkeerscontrole en milieumetingen. DSNs zijn opgebouwd uit veelal goedkope sensoren met beperkte rekenkracht en batterijvermogen, waardoor er vaak hardwarefouten optreden. Daarbovenop worden ze vaak willekeurig, alsook met hoge densiteit en redundantie uitgerold. Recent werd het concept van virtuele DSNs voorgesteld. Het werd tot op heden gebruikt om sensordata te verrijken door relevante fysieke sensoren te combineren, en om hardware hergebruik te voorzien door meerdere virtuele sensoren gebruik te laten maken van eenzelfde fysieke sensor. Het doel van dit project is om nieuwe voordelen van DSN virtualisatie te onderzoeken. Concreet zullen we een volledig gedistribueerd sensor virtualisatie platform ontwikkelen, dat fysieke sensoren toelaat om zichzelf te organiseren tot een robuust en energie-efficiënt virtueel sensorplatform. Robuustheid zal worden voorzien door redundantie van sensorhardware uit te buiten. Energie-efficiëntie zal worden verbeterd door op een intelligente manier redundante functionaliteit binnen een virtuele sensor uit te schakelen. De trade-off tussen robuustheid en energie-efficiëntie dynamisch optimaliseren is een belangrijke onderzoeksvraag die binnen dit project zal worden onderzocht. De eerste twee projectfasen zullen respectievelijk de control binnen en tussen virtuele sensoren onderzoeken. In de derde en laatste fase zullen de oplossingen worden uitgebreid om mobiliteit van sensoren te ondersteunen.

Onderzoeker(s)

• Promotor: Famaey Jeroen
• Co-promotor: Latré Steven
• Mandaathouder: Mennes Ruben

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Meer en meer alledaagse toestellen worden verbonden met het internet. Deze evolutie, die het internet der dingen (IoT) genoemd wordt, heeft een recente boost gegeven aan onderzoek naar grootschalige draadloze sensor netwerken. Meer specifiek worden steden met IoT technologie uitgerust maar echte grootschalige installaties van draadloze sensornetwerken geven nog erg grote onderzoeksuitdagingen. Tegelijkertijd is de stad ook een schat aan belangrijke data indien dit op een goeie manier kan gemonitord worden. Testbeds worden vaak gebruikt om onderzoeksresultaten te valideren maar een grootschalige en multi-technologie slimme stad infrastructuur is momenteel nog onbestaand. De City of Things onderzoeksinfrastructuur wil een multi-technologie en multi-niveau testbed bouwen in de stad van Antwerpen. 100 locaties, verdeeld over de stad, zullen voorzien worden van sensor basisstations. Deze basisstations worden vervolgens verbonden met een reeks van sensoren die informatie verzamelen omtrent mobiliteit, geluid, luchtkwaliteit, enz.

Onderzoeker(s)

• Promotor: Blondia Chris
• Co-promotor: Blust Ronny
• Co-promotor: De Backer Charlotte
• Co-promotor: Goethals Bart
• Co-promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Poels Karolien
• Co-promotor: Samson Roeland
• Co-promotor: Vandebosch Heidi
• Co-promotor: Vanelslander Thierry
• Co-promotor: Walrave Michel
• Co-promotor: Weyn Maarten

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project website

Project type(s)

• Onderzoeksproject

Abstract

De laatste jaren zijn gekenmerkt door een explosieve groei aan mobiele toestellen. Met deze groei kwam ook een immer groeiend gebruik van IEEE 802.11 gebaseerde communicatie, beter kent als WiFi. Dit is te zien in de vele grootschalige hotspots die worden geïntroduceerd op conferenties, festivals, etc. WiFi is echter ontwikkeld voor kleinschalige thuis en zakelijke omgevingen en ondersteunt niet onmiddellijk een dergelijke grootschalige uitrol. Er is daarom een nood aan een grootschalig en adaptief WiF MAC beheersraamwerk dat de nodige kwaliteitsgaranties kan bieden in de context van de erg volatiele en dynamische omgevingen die typisch te zien zijn in grootschalige hotspot omgevingen. Binnen dit onderzoeksproject zal daarom onderzocht worden hoe dezelfde kwaliteitsgaranties kunnen gegeven worden in grootschalige WiFi als we momenteel kunnen ondersteunen in de kleinschaligere omgevingen. Een grootschalig WiFi netwerk wordt in deze context gedefinieerd als een netwerk dat kan varieren van enkele honderden tot tienduizenden toestellen. Dit project focust hiervoor op vier sub-uitdagingen: (i) Load balancing voor WiFi netwerken met hoge densiteit, rekening houdende met de applicatie eisen (ii) Adaptieve controle van MAC parameters om elastisch schalen te ondersteunen (iii) QoS schatting in complexe Wi-Fi netwerken (iv) Gedifferentieerde QoS reservatie in Wi-Fi netwerken.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Bosch Patrick

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

AGILE (Adaptive Gateways for dIverse muLtiple Environments) bouwt een modulaire hardware- en softwaregateway voor het internet of things met ondersteuning voor protocolinteroperabiliteit, apparaat- en databeheer, IoT-apps-uitvoering en externe cloudcommunicatie, met diverse proefactiviteiten, open calls en het stichten van een community. AGILE bouwt een modulaire en adaptieve gateway voor IoT-apparaten. Modulariteit op hardwareniveau biedt ondersteuning voor verschillende draadloze en bekabelde IoT-netwerktechnologieën (bijv. KNX, ZWave, ZigBee, Bluetooth Low Energy, enz.) en maakt snelle prototyping van IoT-oplossingen voor verschillende domeinen mogelijk (bijv. domotica, bewaking van omgevingsfactoren, wearables, enz.). Op softwareniveau maken verschillende componenten nieuwe functies mogelijk: dataverzameling en -beheer op de gateway, intuïtieve interface voor apparaatmanagement, visuele workflow-editor voor het maken van IoT-apps met minder codering, en een IoT-marktplaats voor het lokaal installeren van IoT-apps. De AGILE-software kan automatisch worden geconfigureerd en aangepast op basis van de hardwareconfiguratie, zodat de installatie en configuratie van de stuurprogramma's automatisch worden uitgevoerd. IoT-apps worden aanbevolen op basis van hardware-instellingen, waardoor de installatie- en ontwikkelingstijd van de gateway aanzienlijk worden beperkt.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het High Impact project van IMEC heeft als doel om fundamenteel onderzoek te stimuleren dat in de toekomst de valorisatie van de groep ten goede kan komen. Binnen dit project, werden de volgende onderzoekslijnen gefinancierd: - Appdaptive: configureren van IoT netwerken op basis van de applicatievereisten - Deelname in de DARPA spectrum collaboration challenge - Densenets: SDN-gebaseerd netwerk beheer van draadloze netwerken (met als resultaat het ORCHESTRA platform) - SUBWAN: onderzoek naar LPWAN netwerken

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project kadert in een onderzoeksopdracht toegekend door de Universiteit Antwerpen. De promotor levert de Universiteit Antwerpen de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd door de universiteit.

Onderzoeker(s)

• Promotor: Demeyer Serge
• Co-promotor: Blondia Chris
• Co-promotor: De Meulenaere Paul
• Co-promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Peremans Herbert
• Co-promotor: Steckel Jan
• Co-promotor: Steenackers Gunther
• Co-promotor: Vangheluwe Hans
• Co-promotor: Vanlanduit Steve
• Co-promotor: Weyn Maarten
• Mandaathouder: De Mey Fons
• Mandaathouder: Hristoskova Anna

Onderzoeksgroep(en)

• Antwerpen Systemen en software Modellering (AnSyMo)

Project type(s)

• Onderzoeksproject

Abstract

De belangrijkste onderzoeksvraag binnen het SMILE-IT project is "hoe complexe netwerken zichzelf kunnen organiseren zonder verlies van stabiliteit of performantie te veroorzaken." In het bijzonder, stelt het project tot doel een framework te ontwikkelen voor het analyseren en aansturen van moderne, genetwerkte systemen. Deze systemen bestaan uit een groot aantal heterogene entiteiten of agenten, die elk individueel handelen om een bepaalde doelstelling te bereiken en daardoor invloed uitoefenen op andere agenten in het netwerk. Het ontwikkelde framework moet voldoende algemeen zijn om toepasbaar te zijn in een groot aantal verschil- lende applicaties. Bovendien moeten de methoden schaalbaar zijn en een zekere performantie garanderen, zelfs in onzekere situaties. Om deze doelstellingen te bereiken werden volgende essenti ̈ele wetenschappelijke ontwikkelingen voor het SMILE-IT project ge ̈ıdentificeerd. - Controle van complexe multi-agent systemen: Een eerste doel van het project is om software en- gineering abstracties te ontwikkelen voor het systematisch programmeren van allerhande grootschalige netwerken. De ontwikkelde abstracties zullen de basis vormen om gedistribueerde lerende agenten netwerken aan te sturen op een netwerk wijde manier in plaats van agent per agent zoals in de huidige oplossingen. Bovendien zullen de ontwikkelde abstracties het makkelijk maken om de staat van het netwerk op te vragen en deze te be ̈ınvloeden. Ten slotte zullen deze abstracties het ook mogelijk maken om op makkelijke wijze garanties over het netwerk uit te drukken en deze te verifiren. - Snelle en stabiele convergentie naar goede oplossingen: Een belangrijk aspect bij het toepassen van leermethoden in operationele systemen, is het garanderen van een basis performantieniveau tij- dens het leren van de controlestrategie ̈en. Om lange leerperiodes met lage prestaties te voorkomen zal daarom in het leerproces gebruik worden gemaakt van heuristische kennis integratie met bestaande con- trolemethoden en wordt het concept van een informatiecontext voor de lerende agenten ge ̈ıntroduceerd: - Robuust en adaptief omgaan met onverwachte gebeurtenissen: Door de grote schaal in mod- erne netwerksystemen is het vaak onmogelijk om leeralgoritmen een volledige toestandsbeschrijving van het netwerk te geven. Bovendien kunnen zich steeds onverwachte fouten of storingen voordoen in het netwerk. Dit leidt tot een hoge graad van onzekerheid waar de lerende systemen moeten mee om kunnen gaan. Een belangrijke doelstelling zal daarom zijn te onderzoeken hoe, i.h.b. reinforcement learning technieken kunnen omgaan met deze onzekerheid en hoe ze kunnen toegepast worden bij het verhelpen van storingen. De ontwikkelingen in SMILE-IT zullen worden aangestuurd door 2 motiverende gevallenstudies, nl. smart grids en telecom netwerkmanagement. Voor deze cases zullen prototypes worden ontwikkeld die een uitge- breide evaluatie van het SMILE-IT framework moeten toelaten. In een latere fase van het project, zal ook de algemene toepasbaarheid van het framework worden ge ̈evalueerd aan de hand van een aantal beperk- tere tests op bijkomende cases aangebracht door gebruikerscommissie, zoals bv. Intelligente regeling van verkeerslichten.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Dit project betreft fundamenteel kennisgrensverleggend onderzoek gefinancierd door het Fonds voor Wetenschappelijk Onderzoek-Vlaanderen. Het project werd betoelaagd na selectie door het bevoegde FWO-expertpanel.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het WiSHFUL-project (Wireless Software and Hardware platforms for Flexible and Unified radio and network controL) verlaagt de drempel voor experimenten met het oog op het creëren van draadloze innovatie en door het vergroten van het realisme van experimenten. Meer specifiek zijn de WiSHFUL-doelstellingen: het aanbieden van open, flexibele en adaptieve software- en hardwareplatforms voor radiobesturing en ontwikkeling van netwerkprotocollen waarmee snelle prototypes van innovatieve end-to-end draadloze oplossingen en systemen in verschillende verticale markten (productie, slimme steden, thuis, op kantoor, gezondheidszorg, transport, logistiek, omgevingsmonitoring ...). De belangrijkste kenmerken van dergelijke platforms zijn: Uniforme radiocontrole die volledige radiocontrole mogelijk maakt zonder de noodzaak van grondige kennis van de hardwarespecificaties van het radiohardwareplatform; Uniforme netwerkcontrole, waarmee prototypen en aanpassingen van netwerkprotocolstacks mogelijk zijn, zonder dat er grondige kennis nodig is van netwerkprotocollen en software-architectuur, maar ook de implementatie van nieuwe protocollen mogelijk maken (bijv. coöperatieve protocollen die tijdsynchronisatie en coördinatie van een subset van knooppunten vereisen); Ondersteuning voor experimenten met intelligente regeling van radio- en netwerkinstellingen, waardoor intelligent nodeniveau en netwerkbrede beslissingen mogelijk worden, op radio- en netwerkbedieningsmodi en bijbehorende instellingen, aangedreven door domeinspecifieke toepassingseisen op een hoger niveau en rekening houdend met extern beleid (bijvoorbeeld beleid voor dynamische spectrumtoegang). Om geavanceerde draadloze testfaciliteiten aan te bieden die: volg de huidige de facto standaarden in FIRE, vastgesteld door het FED4FIRE-project, voor testbed-interoperabiliteit, waarbij gestandaardiseerde hulpmiddelen voor ontdekking en reservering, experimentcontrole, metingen en monitoring worden goedgekeurd en ondersteund ter ondersteuning van federatief identiteitsbeheer en toegangscontrole. ondersteuning voor diverse draadloze (toegangs-) technologieën en platforms: generieke en open interfaces voor de besturing van de bestaande apparaten voor technologieën zoals Wi-Fi (IEEE 802.11), Bluetooth (IEEE 802.15.1), WPAN (IEEE 802.15.4), LTE, WiMAX die al beschikbaar zijn in de huidige faciliteiten. Breid deze interfaces uit naar meer open experimentele radioplatforms met betrekking tot softwaregedefinieerde radio-platforms, ingebedde apparaten en niet-commerciële hardware, om 5G, Internet of Things (IoT), Machine-to- Machine (M2M), tactiel internet. Aanbieden van draagbare faciliteiten die op elke locatie kunnen worden ingezet, waardoor validatie van innovatieve draadloze oplossingen mogelijk is in de echte wereld (met realistische kanaalpropagatie en interferentiekarakteristieken) en met echte gebruikers. Uitbreiden van de WiSHFUL-faciliteiten met extra faciliteiten of draadloze hardware, het aanbieden van complementaire of nieuwe radio-hardware / softwareplatformen, ondersteuning van experimenten met nieuwe technologieën zoals mmWave (WiGig 60GHz en IEEE802.11ad), full-duplex radio, IoT-testbedden, slimme antennes, enz. . Experts aantrekken en ondersteunen voor het creëren van draadloze innovatie gericht op verschillende klassen van experimentators via verschillende open call-mechanismen afgestemd op de specifieke groepen (industriële relevantie voor het MKB versus niveau van innovatie voor de academische wereld).

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het doel van het iFEST project is het verbeteren van de digitale ervaring op grote events zoals festivals, door het ontwikkelen van een nieuwe generatie van festivalbandjes met ingebouwde communicatie en sensorfunctionaliteit. Daarnaast focust iFEST op het ontwikkelen van het bijhorende software platform om zowel bandjes te beheren en de gegenereerde bandjes data te analyseren. Dit zal een antwoord bieden op de "analoge manier'' waarop organisatoren festivalbezoekers vandaag de dag festivals ervaren en zal de live entertainmentmarkt helpen om haar sterke rol binnen entertainment te versterken.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

SHIFT-TV heeft het ambitieuze doel om de volgende generatie IPTV architecturen te definieren, die de huidige IPTV systemen overbodig maken, terwijl ze tegelijkertijd een verbeterde gebruikservaring aanbieden ten opzichte van OTT ("over-the-top") mechanismen om video aan te bieden.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het iMinds IoT programma heeft als doel om een sprong voorwaarts te maken in het domein van Internet of Things door onderzoekers samen te brengen in een geconsolideerd labo in Gent. Verschillende onderzoekslijnen in het domein van Internet of Things worden hier uitgevoerd. Binnen dit programma participeert PATS in de Cloudlet onderzoekslijn waar onderzocht wordt hoe AI algoritmes op IoT toestellen kan worden uitgevoerd.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het doel van EMD is om onderzoek te verrichten naar de essentiële technologie die nodig is om een mediadistributieplatform te creëeren dat over verschillende types van netwerken heen in staat is om videostreamingapplicaties te ondersteunen aan hoge kwaliteit, op een veilige maar gebruiksvriendelijke manier.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het internet heeft een belangrijke evolutie gekend in de laatste decennia. Gestart als een simpel transportmedium voor het versturen van kleine pakketten is het een aanbieder geworden van veeleisende diensten zoals cloud applicaties en video streaming. Ondanks deze evolutie is de achterliggende architectuur nog steeds dezelfde. Dit zorgt voor een gebrek aan flexibiliteit: het is nog steeds niet mogelijk om externe diensten zoals Skype af te leveren aan de gebruikers met vooropgestelde kwaliteitseisen wat leidt tot belangrijke. Een tweede belangrijke evolutie is de populariteit van de cloud en zijn steeds verdere integratie in het internet. Er is niet langer "een cloud" en "een internet": de twee zijn geconvergeerd tot een eengemaakt platform. Dit betekent dat ook het beheer van de cloud en het internet moet samen bestudeerd worden. In de literatuur is er recent belangrijk onderzoek verricht die het mogelijk maakt om het netwerk te beheren via software en zo de virtualisatie van het netwerk toelaten. Door het virtualiseren van netwerk toestellen hoopt men dezelfde flexibiliteit te bekomen als men de dag van vandaag in een cloud ervaart. Door deze technieken zijn belangrijke nieuwe fundamentele onderzoeksrichtingen mogelijk gemaakt. Meer specifiek binnen het domein van netwerk virtualisatie is een belangrijke rol weggelegd voor de zogenoemde Service Function Chains (SFCs). Dit zijn grafen bestaande uit verschillende subcomponenten van diensten (bv. een video streamings component, een deel van een cloud applicatie) die over verschillende datacenters verspreid worden en samen de Internetdienst vormen. Het opstellen van dergelijke SFCs en het assigneren van de subcomponenten aan de verschillende datacenters op een schaalbare manier is een belangrijk onopgelost probleem. In dit doctoraatsonderzoek zullen algoritmes ontwikkeld worden die het mogelijk maken om dergelijke SFCs te construeren en dynamisch aan te passen als gevolg van gebruikersmobiliteit, wijzigingen in de dienst of variërende netwerkomgevingen. Hierdoor verandert de optimale constructie van SFCs. Binnen dit project zullen zowel optimale constructies berekend worden aan de hand van wiskundige optimalisatiesmethoden als approximaties van de oplossing via gedistribueerde heuristieken. Door een schaalbare en dynamische constructie en toewijzing van SFCs te bouwen kunnen externe diensten aangeboden worden met de broodnodige kwaliteitseisen voor de verdere ontwikkeling van het internet en de cloud.

Onderzoeker(s)

• Promotor: Latré Steven
• Mandaathouder: Spinnewyn Bart

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het BeamSat project past in de ontwikkeling van Newtec's volgende generatie breedband satellietstoegangssysteem, gebruik makende van multi-spotbeam Ka-band technologie. Het doel van het BeamSet project is om de volgende generatie van breedband Sat3Play oplossingen te definiëren en te ontwikkelen, om Newtec's groei binnen de breedband markt te versnellen.

Onderzoeker(s)

• Promotor: Latré Steven

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject