Onderzoeksgroep
Expertise
Hybride artificiele intelligentie voor het modelleren en optimaliseren van industriële processen, teneinde hun duurzaamheid te verbeteren.Gedistribueerde artificiële intelligentie in de context van slimme mobiliteit en logistiek (e.g. automotive, smart shipping, smart traffic).
Voorspelling en optimalisatie van treinplanning met behulp van deep learning.
Abstract
In de hedendaagse logistiek toont het spoorvervoer steeds meer concurrentievermogen bij het verbinden van diepzeehavens met het achterland. De haven van Antwerpen-Brugge – de tweede grootste haven van Europa – probeert bijvoorbeeld de goederenoverslag via deze modaliteit te verdubbelen tot 15% tegen 2030. Het vermogen om grote volumes en verschillende soorten vracht te vervoeren, samen met een hoge betrouwbaarheid en duurzaamheid zijn waardoor treinen voordeliger worden dan traditionele vrachtwagens. De recente bloei van het goederenvervoer per spoor heeft echter een grotere druk gelegd op zowel de binnenvaart- als de diepzeehaveninfrastructuur. In feite functioneren veel spoorknooppunten in de zeehavens nog steeds niet optimaal, omdat ze er niet in slagen het gebruik van hun hulpbronnen te maximaliseren. Terwijl sommige bundels regelmatig overbelast raken, blijven andere maandenlang zelden gebruikt. Bepaalde lange sporen zijn gedurende uren geblokkeerd om enkele wagons te parkeren, waardoor er tekorten ontstaan wanneer lange wagons onderhoud vereisen. Het reserveringsslot voor treinpaden blijft vast voor alle verplaatsingstaken van wagons (bijvoorbeeld 8 uur), wat resulteert in problemen bij de toewijzing van middelen. Deze tekortkomingen komen voort uit het feit dat de planning van de spoormiddelen wordt uitgevoerd op basis van wie het eerst komt, het eerst maalt, willekeurig wordt opgehaald en handmatig wordt uitgevoerd, zonder inzicht te hebben in de wagonstromen in de nabije toekomst. Als gevolg hiervan worden sommige havens, zelfs als ze over grootschalige spoorinfrastructuur beschikken, nog steeds geconfronteerd met onwaardige tekorten of ernstige vertragingen, waardoor de totale transportkosten uiteindelijk nog verder stijgen. In het licht hiervan zal de optimalisatie van de toewijzing van middelen op basis van de voorspelling van de komende vrachtstroom het beheer van de spoorweginfrastructuur bevorderen, en daarmee de algehele efficiëntie van de spoorwegexploitatie. Dit PhD-voorstel onderzoekt een breed scala aan Machine Learning-modellen om de end-to-end zichtbaarheid van de wagenreis naar de diepzeehaven te verbeteren. Deze modellen voorspellen het volledige traject van wagons, vanaf de momenten dat de langeafstandstreinen nog uren voor aankomst zijn. De meest cruciale fasen zijn onder meer: aankomsttijd op het hoofdknooppunt, dienstvertraging en diensttijd op het rangeerterrein, treinpad om wagon naar bundel te verplaatsen, openbaar spoor en tijdslot om elke wagon te parkeren, bundeling van woningen (zoals elektrische – diesellocomotief ploegendienst, waarvoor de locomotief en de toewijzing van de rijpaden noodzakelijk zijn) en terminaldiensten (laden/lossen). De volgende stap zal zijn dat de inzichten die uit deze voorspellende indicatoren worden geleerd, zullen fungeren als output van de optimalisatiefase, om de planning van spoorlijnen, treinpaden, rangeerterreinen en terminalslots voor te stellen, waardoor toekomstige tekorten worden vermeden, de inactieve tijd wordt beperkt en de bediende capaciteit wordt gemaximaliseerd. vrachtvolume. Verschillende optimalisatiemethoden (traditioneel versus combinatorisch neuraal, enkelvoudig versus meervoudig objectief) zullen worden gebenchmarkt voor een betere nauwkeurigheid – afweging van computationele complexiteit. Het doctoraatswerk zal gekoppeld worden aan regionale (Vlaanderen), nationale (België) of Europese onderzoeksprojecten, om de voorgestelde oplossingen te valideren op basis van een reële use case met grootschalige data. Bovendien creëert het synergieën op de solide achtergrond van IDLab-imec, die werden getoond via eerdere projecten, waaronder datagestuurde modellen, simulatie- en optimalisatieaspecten, om hun bijdrage in het logistieke domein uit te breiden.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Mandaathouder: Denis Hansi
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Veiliger model-based reinforcement learning voor planning in autonome binnenvaart.
Abstract
Momenteel wordt er veel onderzoek verricht op het gebied van autonome navigatie. Meer recentelijk laat reinforcement learning (RL) veelbelovende resultaten zien op dat gebied. Een type RL dat grote mogelijkheden biedt, model-based RL genaamd, heeft een aantal aanzienlijke voordelen ten opzichte van zijn model-free tegenhanger. Het biedt met name mogelijkheden om de veiligheid te verbeteren. Veiligheid is een van de belangrijkste uitdagingen waar RL in autonome navigatie momenteel voor staat.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Mandaathouder: Herremans Siemen
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Doelgerichte processturing met behulp van Constraint-Gerichte Model-Based Reinforcement Learning.
Abstract
Vanwege de sterke economische impact ontving het gebied van processturing in de loop der jaren veel aandacht van onderzoekers. Terwijl klassieke besturingsmethoden al tientallen jaren in gebruik zijn, is de toepassing van Machine Learning (ML) nog niet onderzocht. Een nieuw gebied binnen ML is Reinforcement Learning (RL), dat frequent de state-of-the-art (SOTA) in de besturing van complexe systemen heeft verbeterd. Bijgevolg heeft de toepassing van deze techniek op industriële processturing het potentieel om de efficiëntie sterk te verbeteren. Enerzijds leidt dit tot een daling van kosten, gebruikte materialen en energiebehoeften van enkele van de grootste industrieën wereldwijd. Anderzijds opent dit een weg voor coöperatie tussen academici en industrie. Dit project onderzoekt technieken die gericht zijn op het toepassen van RL op industriële processturing door het ontwikkelen van doelgerichte agents die de verwachtingen van de gebruiker omvatten. (1) Een agent met een accuraat latent world model wordt ontwikkeld met SOTA prestaties en sterke redeneercapaciteiten. (2) Deze agent wordt uitgebreid met een reverse imagination model om fysische states te reconstrueren uit latent states. Hierop worden state constraints toegepast op basis van expertkennis om een intuïtief kader te creëren voor het besturen van de agent. (3) De agent wordt dan overgebracht van simulatie naar werkelijkheid met behulp van offline data om het interne model op één lijn te brengen met de echte wereld.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Co-promotor: Mets Kevin
- Mandaathouder: Troch Arne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Hybrid AI voor onderhoud van wegen (HAIRoad)
Abstract
De huidige aanpak om de kwaliteit van wegen te monitoren is gebaseerd op handmatige inspecties en is arbeidsintensief en relatief duur. Hybrid AI for Predictive Road Maintenance (HAIRoad) wil gebruik maken van (hybride) AI de conditie van het wegennet in kaart brengen en aanbevelingen doen voor wegonderhoud. Een efficiënte en robuuste datapijplijn zal worden ontwikkeld met behulp van MLOps tools, die het mogelijk maken om gemakkelijk te schakelen tussen de ontwikkeling van modellen en de implementatie/productie ervan. Drie demonstratoren zullen de haalbaarheid van de aanpak illustreren: één met de Haven van Antwerpen Bruges en twee op gemeentelijk niveau. De demonstratoren zullen toelaten om zowel de meer technische aspecten als het marktpotentieel te valideren. HAIRoad zal verschillende innovaties opleveren zoals geautomatiseerde detectie van de conditiestaat van een weg, nieuwe indicatoren voor wegbeheer, sensorfusie door informatie van meerdere sensoren te combineren, en de toepassing van hybrid-AI waarbij we fysieke modellen van wegdegradatie zullen opnemen in data-driven machine learning modellen.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Co-promotor: Daems Walter
- Co-promotor: Hasheminejad Navid
- Co-promotor: Hernando David
- Co-promotor: Steckel Jan
- Co-promotor: Vanlanduit Steve
- Co-promotor: Vuye Cedric
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
RELIC: "REinforcement Learning voor Interpreteerbare Chemische optimalisatie".
Abstract
De farmaceutische en chemische industrie wordt voortdurend uitgedaagd door de noodzaak om de efficiëntie, schaalbaarheid, aanpasbaarheid en duurzaamheid van hun processen te verbeteren, en dit alles terwijl ze zich houden aan strikte regelgeving. Hier komt kunstmatige intelligentie naar voren als een veelbelovende oplossing die innovatieve en efficiënte middelen biedt om door deze complexiteiten te navigeren. Bij IDLab hebben we significante resultaten behaald in het gebruik van AI om problemen in deze sectoren op te lossen, met name door ons Catalisti ICON-project, DAP2CHEM. We hebben met succes het potentieel aangetoond van Reinforcement Learning (RL) en Explainable AI (XAI) om de operationele efficiëntie met 25-35% te verbeteren en resulteerden in een lager energie- en grondstofverbruik, waardoor de duurzaamheid verder werd verbeterd. Onze technologie heeft aanzienlijke vooruitgang geboekt op twee kritieke gebieden van AI-toepassing in risicovolle industrieën: (1) het handhaven van de operationele veiligheid en (2) het waarborgen van transparantie, en dit terwijl de efficiëntie van het proces aanzienlijk wordt verhoogd. We hebben RL op een veiligheidsbewuste manier gebruikt, zodat de operaties betrouwbaar zijn en binnen de vastgestelde veiligheidsparameters blijven. Tegelijkertijd heeft ons werk met XAI voor mensen begrijpelijke verklaringen voor AI-beslissingen opgeleverd, waardoor de transparantie van onze technologie aanzienlijk is verbeterd. Voortbouwend op deze resultaten, is het doel van dit project om het aanpassingsvermogen en de schaalbaarheid van onze technologie over verschillende operaties en productieschalen te vergroten. We streven er ook naar om de trainingsefficiëntie te verbeteren, automatisering te vergroten en XAI-uitleg intuïtiever te maken voor gebruikers met verschillende expertiseniveaus. Deze richting sluit perfect aan bij onze voortdurende toewijding om te voldoen aan een breder scala aan industriële behoeften. De verbeterde transfereerbaarheid en schaalbaarheid van de technologie, hebben als doel het niveau van commerciële paraatheid te verhogen teneinde ze te kunnen valoriseren in de Vlaamse en internationale chemische en farmaceutische sector. Een substantieel onderdeel van onze roadmap is de valorisatie van de technologie. Het project heeft tot doel de commerciële paraatheid te vergroten door ervoor te zorgen dat de technologie aanpasbaar, schaalbaar en gebruiksvriendelijk is en tegemoet komt aan de uiteenlopende behoeften van de chemische en farmaceutische industrie. Gezien de veelbelovende marktvraag is de oprichting van een spin-offbedrijf een haalbare overweging, met het potentieel om in deze sectoren gespecialiseerde AI-diensten te leveren. Met het doel een belangrijke speler te zijn in de digitale transformatie van de chemische en farmaceutische industrie, stellen we ons een toekomst voor waarin onze geavanceerde AI-oplossingen een integraal onderdeel worden van hun operationele efficiëntie en duurzaamheid.Onderzoeker(s)
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Gegevensefficiënte hybride modellering voor eindpuntvoorspelling bij het opschalen van farmaceutische processen.
Abstract
Het project heeft tot doel data-efficiënte en schaalbare modellering te onderzoeken voor eindpuntvoorspelling van eenheidsoperaties in farmaceutische productieprocessen. Om dit te bereiken gaan we een methode onderzoeken die gebruik maakt van fysica-geïnformeerde neurale netwerken en 'few-shot learning'. Om een bredere toepasbaarheid mogelijk te maken, zullen we onderzoeken hoe we de modellen efficiënt kunnen ontwerpen en kalibreren in een reële omgeving. Deze methode zal een grondig inzicht opleveren in de processtatus tijdens elke individuele unit-operatie en een tweeledig voordeel bieden voor Janssen Pharmaceutica: (1) de efficiëntie verhogen en de cyclustijden van gecommercialiseerde processen verkorten, en (2) het Best Process At Launch (BPAL) opleveren ) voor nieuwe productintroducties (NPI's).Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Mandaathouder: Robeyn Michiel
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Versterking van de capaciteit voor uitmuntendheid van Sloveense en Kroatische innovatie-ecosystemen ter ondersteuning van de digitale en groene transities van maritieme regio's (INNO2MARE).
Abstract
Het hoofddoel van INNO2MARE is het versterken van de capaciteit voor uitmuntendheid van West-Sloveense en Adriatisch-Kroatische innovatie-ecosystemen door middel van een reeks gezamenlijk ontworpen en geïmplementeerde acties die de digitale en groene transities van de maritieme en verbonden industrieën zullen ondersteunen. Gebaseerd op het diepgaand in kaart brengen van de ecosystemen en een analyse van de behoeften en lacunes, zal het consortium een R&I-strategie voor de lange termijn formuleren, in lijn met regionale, nationale en EU-strategieën, als een visionair kader, en een gezamenlijk actie- en investeringsplan, met concrete stappen voor het opbouwen van gecoördineerde, veerkrachtige, aantrekkelijke en duurzame maritieme innovatie-ecosystemen. Om de gezamenlijke strategie te ondersteunen en een model te bieden voor de toekomstige gezamenlijke O&I van de actoren van de ecosystemen, zal het project drie O&I-proefprojecten implementeren die een aantal van de belangrijkste uitdagingen aanpakken die verband houden met maritiem onderwijs en training, beveiliging en veiligheid in het maritiem verkeer. zoals energieconversie en de efficiëntie van managementsystemen. Deze pilots zullen de basis vormen voor verdere ontwikkeling, opschaling en vertaling van de gegenereerde onderzoeksresultaten naar innovatieve zakelijke kansen door de gecoördineerde mobilisatie van publieke en private financiering. Het consortium zal ook innovatieve programma's implementeren die de betrokkenheid van burgers bij de innovatieprocessen, kennisoverdracht voor wederzijds leren, ondernemerschap en slimme vaardighedentraining en het aantrekken van de beste talenten zullen ondersteunen, waarbij meer dan 1.000 deelnemers vanuit de Quadruple Helix betrokken zullen zijn. In alle projectactiviteiten zullen de twee ecosystemen sterk profiteren van het delen van best practices van het Vlaamse ecosysteem, één van de meest ontwikkelde maritieme innovatie-ecosystemen ter wereld. Het project zal bijdragen aan het verkleinen van de innovatiekloof in Europa door de innovatieactoren binnen en tussen de ecosystemen systematisch met elkaar te verbinden en synergieën te creëren in de planning en uitvoering van O&I-investeringen, waardoor een echte innovatiecultuur ontstaat.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Co-promotor: Daems Walter
- Co-promotor: Demeyer Serge
- Co-promotor: Steckel Jan
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Visie-gebaseerde ongevalgevoelige simulatie voor autonome veiligheidskritische systemen.
Abstract
Autonome navigatie heeft de laatste tijd veel aandacht gekregen. Als gevolg daarvan zien we dat autonomie zich ontwikkelt in voertuigen en zijn weg vindt in veel transportsectoren (waaronder slimme scheepvaart). Toch is de huidige state-of-the-art (SOTA) technologie niet rijp genoeg voor een wijdverspreide toepassing op een hoger autonomieniveau (bv. niveau 4 en hoger). De belangrijkste reden hiervoor is dat deze systemen getraind worden op een massa real-world data, waarin vaak ongevalgevoelige scenario's ontbreken. Om dit probleem op te lossen, stel ik een oplossing voor die gebaseerd is op datagedreven neurale simulaties die realistische data leveren op basis van real-world voorbeelden en onveilige scenario's genereren (botsingen, ongevallen, enz.). Bovendien voorziet mijn systeem ook in veiligheidscontroles om onveilige scenario's te valideren en veilige grenzen te bieden voor de huidige autonome systemen.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Anwar Ali
- Co-promotor: Mercelis Siegfried
- Co-promotor: Oramas Mogrovejo José Antonio
- Mandaathouder: Duym Jens
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Optimale Routering Service
Abstract
De autoriteiten zijn bezorgd over de negatieve impact van routebepalingsdiensten in de auto op vlotte, veilige en groene mobiliteit, aangezien deze vaak geen rekening houden met de sociale kosten die inherent zijn aan het gebruik van de weg door hun gebruikers. Particuliere partners (zoals tussenpersonen, dienstverleners voor eindgebruikers of mobiliteitsadviseurs) worden steeds meer betrokken bij het corrigeren van de zorgwekkende aspecten van deze routeringsdiensten, maar staan nog steeds voor de uitdaging om van openbare mobiliteitsdoelen naar impactvol beleidsadvies of routebegeleiding te gaan. De belangrijkste aspecten van deze uitdaging zijn het ontbreken van: (i) een grootschalige en robuuste methode om de maatschappelijke kosten van verkeer op een wegennet te kwantificeren; en (ii) academische kennis over het implementeren van impactvol routeringsadvies, bijvoorbeeld via altruïstische beloningen. In OptiRoutS werken drie industriële partners (Be-Mobile, Movias en TML) en één publieke partner (AWV) samen met vier academische partners (IDLab-Antwerpen, IDLab-Gent, CIB-KUL en SMIT-VUB) om deze uitdagingen aan te gaan en diensten bouwen die bijdragen aan vlottere, veiligere en duurzamere mobiliteit. De innovaties in OptiRoutS versterken de positie van de partners in twee veelbelovende markten – ondersteuning van verkeersbeleid en interactief verkeersmanagement, en bieden zo veel ruimte voor valorisatie.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Mannens Erik
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
IMEC-De toekomst van water herstelfaciliteiten stimuleren door data-intelligentie (DARROW).
Abstract
De afvalwatersector maakt een diepgaande transformatie door, waarbij energie-efficiëntie en het terugwinnen van hulpbronnen de belangrijkste prioriteiten zijn in afvalwaterzuiveringsinstallaties (AWZI). Deze installaties worden steeds meer gezien als faciliteiten voor het terugwinnen van waterbronnen (WRRF). In deze context is de exploitatie van gegevens door middel van kunstmatige-intelligentiehulpmiddelen met als doel de overgang van waterzuiveringsinstallaties naar WRRF te versnellen nog niet volledig aangepakt. Vergeleken met behandelingstechnologieën gaat de inzet van AI-aangedreven hulpmiddelen in de productie veel sneller en levert daarom onmiddellijke voordelen op. In die zin zijn er op dit gebied drie belangrijke barrières geïdentificeerd: i) Mechanistische wiskundige modellen omvatten complexe formuleringen en specifieke terminologie die moeilijk te begrijpen zijn voor exploitanten van installaties; ii) WRRF zijn ruwe omgevingen met een sterke impact op de kwaliteit van gegevens; iii) Essentiële informatie in WRRF's is beperkt en niet continu beschikbaar. Om deze uitdagingen het hoofd te bieden, zal DARROW in het bijzonder een innovatieve, geoptimaliseerde, modulaire en flexibele datagestuurde AI-oplossing in een operationele omgeving bouwen en demonstreren om bestaande afvalwaterzuiveringsinstallaties autonomer en energie-efficiënter te maken en beter voorbereid op hun transformatie naar WRRF. . DARROW zal profiteren van bestaande AI- en data-analysetechnieken met als uiteindelijk doel bij te dragen aan een groenere planeet door: i) Het verminderen van het energieverbruik van WRRF; ii) Het verminderen van de uitstoot van broeikasgassen door WRRF; iii) Het vergroten van het terugwinnen van hulpbronnen iv) Het verbeteren van de waterkwaliteit. Om dit te doen verzamelt DARROW de nodige ervaring, kennis en middelen via een multi-stakeholder aanpak die de hele waardeketen van het project bestrijkt. Het bestaat uit een multidisciplinair team van 8 entiteiten uit 4 verschillende EU-landen (Spanje, België, Duitsland en Nederland), waaronder 3 RTO's, 1 universiteit, 1 NPO en 3 kleine en middelgrote bedrijven om de marktexploitatie te garanderen (2 industriële bedrijven en 1 waterbedrijf).Onderzoeker(s)
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project website
Project type(s)
- Onderzoeksproject
IMEC-AI Pathfinder.
Abstract
Het algemeen doel van het AI-PathFinder project is om de Vlaamse voedingsbedrijven te ondersteunen om hun AI-strategie uit te werken en zo de concrete AI-adoptie te versnellen. Hierdoor worden zij op termijn een bedrijf dat veel sterker gewapend is voor de toekomst waardoor competitiviteit en groei behouden blijft. De focus ligt dan ook op inspireren, stimuleren en faciliteren van adoptie van AI gebaseerde oplossingen voor concrete uitdagingen, noden en opportuniteiten van de voedingsbedrijven.Onderzoeker(s)
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Kennis Gebaseerde Neuraal Netwerk Compressie: Context Bewuste Model Abstracties
Abstract
In huidige IoT platformen worden complexe beslissingen op basis van sensor informatie genomen in gecentraliseerde datacenters. Elke sensor stuurt zijn informatie door naar een datacenter waarna een beslissing genomen wordt die doorgestuurd wordt naar actuatoren. Voor bepaalde applicaties kan die communicatie vertraging voor problemen zorgen. Om dit te voorkomen dienen beslissing dichter bij de edge genomen te worden. Dit is waar het onderzoek naar resource en context bewuste AI om gaat. Hier willen we slimme systemen op de edge bouwen die dynamisch aan passen aan andere omgevingen en resource beperkingen. Dit project zal zich focussen op het comprimeren van neurale netwerken. In dit werk willen we de huidige state-of-art uitbreiden door een kennis gebaseerde pruning methode toe te passen. Dit betekent we dat we de locatie van specifiek taak gerelateerde concepten bepalen, en deze gebruiken om het comprimeren te begeleiden. Op deze manier kunnen we de netwerken aanpassen voor omgevingsveranderingen en hardware beperkingen. Voor bepaalde taken zal het nuttig zijn om van bepaalde outputs de accuraatheid te doen afnemen. Dit met het oog op minder gebruik van hardware middelen. Een voorbeeld hiervan is dat we de detectie van bepaalde verkeersborden op autosnelwegen kunnen verminderen. We kunnen het netwerk comprimeren door de relevante kennis van die type verkeersborden te verwijderen. Dit werk focust op deze kennis, die gecodeerd is doorheen het netwerk, selectief te verwijderen.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Promotor: Mercelis Siegfried
- Co-promotor: Steckel Jan
- Mandaathouder: Balemans Dieter
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Gedistributeerde multi-modale gegevensfusie met grafiek-gebaseerd deep learning voor situationeel bewustzijn in intelligente transportsystemen.
Abstract
De betrouwbaarheid van actieve perceptie voor algoritmen voor situationeel bewustzijn voor intelligente transportsystemen is de laatste jaren aanzienlijk verbeterd door AI-ontwikkelingen. Situationeel bewustzijn kan worden verbeterd door het uitwisselen van informatie tussen meerdere agents. Het complex maken om samen een hoge nauwkeurigheid te bereiken tegen lage rekenkosten is van cruciaal belang om veilige en betrouwbare transportsystemen te garanderen. Dit onderzoek zal de belangrijkste uitdagingen aanpakken voor gedeeld situationeel bewustzijn dat perceptie van meerdere sensorstromen en meerdere agents vereist. Dit onderzoek zal het probleem van lokale sensorfusie, dit is dee fusie op agentniveau waarbij meerdere gemonteerde sensoren worden gebruikt om een gedefinieerde taak op te lossen, aanpakken met graafgebaseerd deep learning. Door de structurele informatie in meerdere modaliteiten te exploiteren zal de voorgestelde oplossing op graafgebaseerde deep learning construeren. Vervolgens wordt gedistribueerde fusie bereikt door voorspellingen van meerdere agents te fuseren. Als resultaat kunnen de voorspellingen over meerdere agents worden samengevoegd om een rijker situationeel bewustzijn te creëren. Het voordeel van gedistribueerde fusie is duidelijk in situaties waarin de perceptie van een enkele agent niet voldoende is. Dit zal worden bereikt door spatiale temporele graafgebaseerde netwerken te modelleren en dynamische updates in de grafen te bestuderen.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Mandaathouder: Ahmed Ahmed
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Fusie van Goldilocks: adaptieve en robuuste sensorfusie in robotische systemen met beperkte resources.
Abstract
Autonome systemen hebben de afgelopen jaren veel aandacht gekregen van de academische wereld en de industrie. De vele toepassingen in industriële domeinen gaande van productie, mijnbouw en bewaking, maken de studie naar autonome systemen interessant met veel valorisatiepotentieel. De kosten van deze autonome systemen zijn momenteel extreem hoog omdat dure computingplatformen en sensorsuites worden gebruikt voor het noodzakelijke niveau van veiligheid en autonomie te bereiken. Met behulp van de metingen van verschillende sensoren wordt een omgevingsrepresentatie gecreëerd om navigatiebeslissingen te nemen. Hoewel de representatie de complexiteit bepaalt van het gedrag dat kan worden bereikt, is het detail dat in deze representatie wordt opgeslagen afhankelijk van de beschikbare resources en sensorgegevens. Het doel van dit project is om een autonome agent in staat te stellen de optimale heterogene set sensoren te selecteren om een representatie te creëren van de juiste complexiteit voor de huidige situatie. Resource awareness speelt een belangrijke rol in ons onderzoek om de computationele belasting van autonome voertuigen te verminderen, wat betekent dat er minder dure computerplatforms kunnen worden gebruikt. Bovendien zal een grotere betrouwbaarheid en nauwkeurigheid in perceptie de autonomie van deze systemen sterk verbeteren. Goedkopere autonome systemen die efficiënt zijn in het gebruik van resources zal het gebruik van autonome systemen doen stijgen.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Promotor: Steckel Jan
- Co-promotor: Hellinckx Peter
- Co-promotor: Steckel Jan
- Mandaathouder: Balemans Niels
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Kennisgebaseerde compressie van neurale netwerken: kwaliteitsbewuste model abstracties.
Abstract
In huidige state-of-practice IoT platformen worden complexe beslissingen op basis van sensor informatie genomen in gecentraliseerde data centers. Elke sensor stuurt zijn informatie door naar een data center waarna een beslissing genomen wordt die doorgestuurd word naar actuatoren. Voor bepaalde applicaties kan de vertraging die door deze communicatie geïntroduceerd wordt voor problemen zorgen. In real time applicaties is het cruciaal dat een beslissing onmiddellijk genomen wordt. Om dit mogelijk te maken dienen beslissing dichter bij de edge of zelfs op de sensoren zelf genomen te worden. Dit is waar het onderzoek naar resource en context bewuste AI om gaat. Hier willen we slimme systemen op de edge bouwen die dynamisch herconfigureren om zich aan te passen aan andere omgevingen en resource beperkingen. Dit project zal zich focussen op het comprimeren van AI modellen, specifiek neurale netwerken. In dit werk willen we de huidige state-of-art uitbreiden door een kennis gebaseerde pruning methode toe te passen. Met kennis gebaseerd bedoelen we dat neurale netwerken geoptimaliseerd zullen worden aan een bepaalde context door de niet nuttige kennis uit het netwerk te verwijderen. Een voorbeeld hiervan is een autosnelweg waar de accuraatheid van voetgangers lager zal mogen zijn. Waardoor we het netwerk kunnen comprimeren door de relevante kennis over voetgangers te verwijderen. Dit werk focust zich er dus op deze kennis, die gecodeerd is doorheen het netwerk, selectief te verwijderen.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Co-promotor: Steckel Jan
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
IMEC- Draagbaar innovatie open netwerk voor efficiëntie- en emissiereductieoplossingen (PIONEERS).
Abstract
PIONEERS brengt vier havens samen met verschillende kenmerken, maar gedeelde verbintenissen om te voldoen aan de Green Deal-doelstellingen en de sociaaleconomische doelstellingen van Blue Growth, om de uitdaging voor Europese havens aan te gaan om de uitstoot van broeikasgassen te verminderen en tegelijkertijd concurrerend te blijven. Om deze ambities te realiseren, zullen de havens van Antwerpen, Barcelona, Venlo en Constanta groene haveninnovatiedemonstraties implementeren op vier hoofdpijlers: productie en levering van schone energie, duurzaam havenontwerp, modal shift en optimalisatie van stromen, en digitale transformatie. Acties zijn onder meer: opwekking van hernieuwbare energie en inzet van elektrische, waterstof- en methanolvoertuigen; bouw- en verwarmingsnetwerken retrofit voor energie-efficiëntie en implementatie van circulaire economie benaderingen in infrastructuurwerken; samen met de inzet van digitale platforms (met behulp van AI- en 5G-technologieën) om de modal shift van passagiers en vracht te bevorderen, te zorgen voor geoptimaliseerde bewegingen en toewijzingen van voertuigen, schepen en containers, en automatisering van voertuigen te vergemakkelijken. Deze demonstraties vormen geïntegreerde pakketten die aansluiten bij andere gelinkte activiteiten van de havens en hun naburige stadsgemeenschappen. Door een open innovatienetwerk voor uitwisseling te vormen, zullen de havens, technologie en ondersteunende partners de projectfasen van innovatiedemonstratie, opschaling en mede-overdraagbaarheid doorlopen. Strenge innovatie- en overdrachtsprocessen zullen gericht zijn op technologie-evaluatie en de ontwikkeling van businesscases voor exploitatie, evenals het creëren van de institutionele, regelgevende en financiële kaders voor groene havens om te floreren, van proefprojecten voor technische innovatie tot wijdverbreide oplossingen. Deze processen zullen informatie verstrekken en parallel worden uitgevoerd met de ontwikkeling en verfijning van het masterplan, met een masterplan en routekaart voor de energietransitie in de PIONEERS-havens en een handboek als leidraad voor de planning en implementatie van groene havens voor verschillende typologieën van havens in heel Europa.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
IMEC-Enhanced data processing technieken voor dynamisch beheer van multimodaal verkeer (TANGENT).
Abstract
Het Europese vervoer staat voor grote uitdagingen op het gebied van veiligheid, uitstoot van broeikasgassen, verkeersopstoppingen en de daaruit voortvloeiende kosten. Daarnaast zorgen de ontwikkeling van disruptieve technologieën en de opkomst van nieuwe mobiliteitsoplossingen voor een revolutie in het vervoersnetwerk en verkeersmanagement. In deze context wil TANGENT nieuwe complementaire instrumenten ontwikkelen om de verkeersoperaties op een gecoördineerde en dynamische manier te optimaliseren vanuit een multimodaal perspectief en rekening houdend met geautomatiseerde/niet-automatische voertuigen, passagiers en vrachtvervoer. TANGENT gaat onderzoek doen naar geavanceerde technieken op het gebied van modellering en simulatie, zoals voorspellings- en simulatiemodellen voor toekomstige vraag en aanbod van transport; optimalisatietechnieken voor het balanceren van de vraagstromen tussen de vervoermiddelen; en gebruikers reisgedrag modellering. Als resultaat zal een reeks toepassingen voor besluitvormingsondersteuning worden opgeleverd die een raamwerk creëren voor gecoördineerd verkeers- en vervoersbeheer, dat een verbeterde mobiliteitsinformatiedienst en dashboard met bijbehorende API's en geavanceerde functionaliteiten omvat met een tweeledige benadering: het bieden van real- aanbevelingen voor tijdverkeersbeheer en om vervoersautoriteiten te ondersteunen bij het ontwerpen van netwerkbrede optimale strategieën. Het kader is ook gericht op het ondersteunen van een samenwerkingsaanpak met meerdere actoren voor het beheer van vervoersnetwerken door communicatiekanalen mogelijk te maken. Op deze manier richten de diensten zich op verschillende actoren in verkeersmanagement. De resultaten zullen worden getest in drie casestudies: Rennes (FR), Lissabon (PT), Great Manchester (UK) en een virtuele case study in Athene (HE) met echte gegevens van verschillende vervoerswijzen, onder verschillende verkeerssituaties zoals knelpunten, ongevallen, voetgangersstroom etc. De impact zal worden beoordeeld om de verwachte reductiedoelstellingen van 10% in reistijd, 8-10% in CO2-emissies, 5% ongevallen, 5-10% toename in gebruik openbaar vervoer en gebruik van actieve modi of 10% van de economische kosten door een efficiënter beheer.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
IDLab - Internet en Data Lab
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
- Promotor-Woordvoerder: Verdonck Tim
- 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: Weyn Maarten
- Mandaathouder: Braem Bart
- Mandaathouder: Braet Olivier
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Efficiënt leren communiceren met multi-agent reinforcement learning voor gedistribueerde controle applicaties.
Abstract
De laatste jaren is de interesse in het veld van multi-agent reinforcement learning enorm toegenomen. Bij taken waar samenwerking tussen agenten vereist is, beginnen onderzoekers steeds meer te kijken naar technieken om agenten te laten leren communiceren met elkaar terwijl ze tegelijkertijd leren hoe ze zich moeten gedragen. Vele huidige state-of-the-art technieken gebruiken broadcast communicatie. Dit is echter niet schaalbaar naar werkelijke toepassingen. Daarom wil ik methodes ontwikkelen om het aantal berichten te verminderen. Het doel van dit project is om het aantal verzonden berichten te verminderen terwijl dezelfde performantie van de oplossing wordt behouden. Om dit doel te bereiken zal ik kijken naar technieken om te communiceren met een variabel aantal agenten, naar technieken om de communicatie te verminderen door gebruik te maken van relevantie metrieken en signatures en naar technieken om hopping gedrag aan te moedigen bij agenten. De methodes die in dit onderzoeksproject worden voorgesteld zijn essentieel om schaalbare controle applicaties te creëren door deze te distribueren in combinatie met schaalbare geleerde communicatie. De ontwikkelde methodes zullen worden gevalideerd op simulaties van verkeerslicht controle.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Mandaathouder: Vanneste Astrid
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Het gebruik van Model-Based Reinforcement Learning met Monte-Carlo Tree Search om Neurale Netwerken te optimalizeren voor Embedded Devices.
Abstract
Op dit moment draaien de meeste AI systemen in de cloud. Voor sommige systemen, zoals real-time systemen, zorgt dit voor problemen. Voor deze systemen is het belangrijk dat we AI algoritmen op edge devices kunnen draaien. Het doel van mijn onderzoek is om reinforcement learning te gebruiken om neurale netwerken te ontwerpen, die vergelijkbare performantie halen met state-of-the-art netwerken, maar met een resource gebruik dat haalbaar is voor edge devices. Om dit doel te bereiken heb ik mijn werk in 3 onderdelen opgedeeld: multi-objective optimization, hardware embeddings en model-based reinforcement learning (MBRL) met monte carlo tree search (MCTS). In het eerste deel van mijn onderzoek zal ik op zoek gaan naar technieken om een multi-objective functie om te zetten naar een single-objective functie. Dit is nodig voor reinforcement learning systemen, omdat zij een scalaire reward verwachten. Voor het tweede luik van mijn onderzoek zal ik een hardware voorstelling ontwikkelen, die bruikbaar is voor een neuraal netwerk. Dit is nodig om het mogelijk te maken voor ons systeem om ten volle gebruik te kunnen maken van de architectuur van de onderliggende hardware. Tenslotte zal ik het MBRL gebruiken in de context van neural architecture search. In dit deel van mijn onderzoek gebruik ik de ontwikkelde scalarisatie technieken en hardware voorstelling, tesamen met een MBRL systeem om neural netwerken te genereren voor specifieke devices.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Mandaathouder: Cassimon Amber
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Duurzaam internet van batterijloze dingen (IoBaleT)
Abstract
De verwezenlijking van de visie van het Internet der Dingen (IoT) heeft het mogelijk gemaakt om miljarden batterij-gevoede toestellen draadloos met het internet te verbinden. Batterijen zijn echter duur, groot, vervuilend en kortlevend. Jaarlijks miljarden IoT batterijen vervangen en weggooien is niet alleen financieel kostelijk, maar ook weinig duurzaam. Om dit probleem op te lossen, stellen we onze visie voor van een duurzaam Internet van Batterijloze Dingen (IoBaLeT). We stellen een toekomst voorop waar IoT toestellen zonder batterijen kleine hoeveelheden energie opslaan in een condensator en energie oogsten uit hun omgeving of via gelijktijdige draadloze overdracht van informatie en elektrische stroom (SWIPT). Door de onvoorspelbare energietoevoer zullen zulke batterijloze toestellen periodiek worden aangedreven, en in staat zijn om samen waarneming-, controle- en communicatietaken uit te voeren. Bestaande batterijloze technologie heeft veel tekortkomingen. Deze toestellen, meestal gebaseerd op RFID en backscatter, ondersteunen enkel eenvoudige sensortoepassingen, en ondersteunen geen complexe applicatielogica. Netwerken van zulke toestellen schalen niet, hebben een kort bereik en lage bandbreedte. Het doel van IoBaLeT is om batterijloze toestellen en netwerken naar een hoger niveau te tillen, met bandbreedte, schaalbaarheid en bereik op het niveau van bestaande batterijgedreven oplossingen. Om dit te bereiken ontwikkelen we een nieuwe type van batterijloos IoT toestel dat steunt op een combinatie van SWIPT, hybride energieoogst, actieve radiotransmissies, en wake-up radios. IoBaLeT plant innovaties op vlak van SWIPT efficientie, batterijloze netwerkprotocollen, en gedistribueerde periodieke planningsalgoritmen voor complexe toepassingen. Door batterijen achterwege te laten, zullen IoT toepassingen in staat zijn om op ongekend grote schaal, met aanzienlijk langere levensduur, en op moeilijk te bereiken plaatsen, te worden gebruikt.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
QPM-applicatieworkloads
Abstract
QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPM QPMOnderzoeker(s)
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Doelgerichte Processturing door integratie van Expertise in Model-Based Reinforcement Learning met behulp van Soft Constraints.
Abstract
Vanwege de sterke economische impact ontving het gebied van processturing in de loop der jaren veel aandacht van onderzoekers. Terwijl klassieke besturingsmethoden al tientallen jaren in gebruik zijn, is de toepassing van Machine Learning (ML) nog niet onderzocht. Een nieuw gebied binnen ML is Reinforcement Learning (RL), dat frequent de state-of-the-art (SOTA) in de besturing van complexe systemen heeft verbeterd. Bijgevolg heeft de toepassing van deze techniek op industriële processturing het potentieel om de efficiëntie sterk te verbeteren. Enerzijds leidt dit tot een daling van kosten, gebruikte materialen en energiebehoeften van enkele van de grootste industrieën wereldwijd. Anderzijds opent dit een weg voor coöperatie tussen academici en industrie. Dit project onderzoekt technieken die gericht zijn op het toepassen van RL op industriële processturing door het ontwikkelen van doelgerichte agents die de verwachtingen van de gebruiker omvatten. (1) Een agent met een accuraat latent world model wordt ontwikkeld met SOTA prestaties en sterke redeneercapaciteiten. (2) Deze agent wordt uitgebreid met een reverse imagination model om fysische states te reconstrueren uit latent states. Hierop worden state constraints toegepast op basis van expertkennis om een intuïtief kader te creëren voor het besturen van de agent. (3) De agent wordt dan overgebracht van simulatie naar werkelijkheid met behulp van offline data om het interne model op één lijn te brengen met de echte wereld.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Mandaathouder: Troch Arne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Chemie en hybride AI - Verhogen van de efficiëntie van productontwikkeling, monitoring, analyse en productieprocessen in de chemie door gebruik te maken van deskundige kennis via Hybrid AI (CHAI).
Abstract
CHAI zal de chemische procescontrole en stabiliteitsanalyse transformeren door de visie van hybride AI volledig te omarmen. In CHAI worden slimme AI-tools ontwikkeld voor de volgende generatie chemische procescontrole, door expertkennis expliciet te coderen in hybride AI-modellen. Momenteel hebben procesingenieurs vele jaren ervaring en training nodig voordat ze volledig zelfstandig de meest uitdagende problemen kunnen aanpakken. Door hybride AI te omarmen, kunnen procesingenieurs en operators worden ondersteund door elk van hen toegang te geven tot (1) de ervaring en expertise van iedereen, en (2) een slim systeem dat uitkomstvoorspellingen uitvoert en controleacties voorstelt. Het CHAI-consortium verwacht efficiëntiewinsten en een beter begrip van productkarakterisering; CHAI ambieert de R&D-efficiëntie en productie te beïnvloeden door kostenreductie, en het risico te elimineren van het terugroepen van miljoenen euro's van producten die niet aan de kwaliteitsnormen voldoen.Onderzoeker(s)
- Promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
AI voor voedsellogistiek
Abstract
Vraagvoorspelling in de detailhandel lijdt nog steeds onder het zogenaamde bullwhip-effect: een kleine verandering in de vraag bij het verkooppunt kan een grote schommeling veroorzaken in de vraag bij de groothandel, het distributiecentrum en de leverancier. Voor de voedingsdistributieketen komt dit tot uiting in (i) het onvermogen om het hoofd te bieden aan onverwachte gebeurtenissen of (ii) voedselverspilling verder te verminderen, en (iii) een zwakkere positie ten opzichte van e-commerce. AI4FoodLogistics wil deze uitdagingen aanpakken - gericht op het bezorgen van vers voedsel - door de belangrijkste tekortkomingen van de huidige tactieken aan te pakken. Er wordt gestreefd naar een zeer betrouwbare, just-in-time bezorgervaring voor vers voedsel, die gebruikmaakt van een nieuwe gegevensarchitectuur die in staat is om gegevens op een meer schaalbare, kosteneffectieve manier door de waardeketen te verspreiden. Het consortium omvat de volledige waardeketen, van boer tot bord, en zal zich richten op het bevorderen van de modernste technologie om de betrouwbaarheid van vraagvoorspelling, logistieke planning en gepersonaliseerde aanbevelingen te vergroten. De belangrijkste doelstellingen van AI4FoodLogistics zijn het verlagen van de totale logistieke kosten (ca. 13M euro/jaar), het verminderen van voedselverspilling in Vlaanderen (minstens 15M euro / jaar) en het vergroten van het aandeel lokaal geproduceerde gezonde voeding. Het resultaat zal worden gevalideerd door een simulator te combineren met in het veld gevalideerde datagestuurde modellen.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Mannens Erik
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
IMEC - Project: het actualiseren en onderhouden van het Artificiële Intelligentie model voor recyclage van elektronisch afval.
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)
Project type(s)
- Onderzoeksproject
Het gebruik van state-of-the-art artificiële intelligentie en deep learning technieken ter ondersteuning van het maken van klinische beslissingen van kinesitherapeuten in de eerste lijn.
Abstract
Het doel van dit project is om aan te tonen hoe patiënt-gerelateerde kinesitherapeutische gegevens die op een gestructureerde manier kunnen worden verzameld en opgeslagen, geanalyseerd kunnen worden uitgevoerd met behulp van kunstmatige intelligentie, meer bepaald deep learning. Neurale netwerken zullen gebruikt worden om te bepalen welke therapeutische aanpak het beste kan worden gebruikt voor welk type patiënt om fysieke activiteit te verhogen. Zo wordt de haalbaarheid aangetoond van het gebruik van big data-analyse om effectieve therapeutische strategieën te ontwikkelen bij patiënten met cardiorespiratoire en metabole ziekten. Het aantonen van de haalbaarheid van gegevensverzameling, opslag en analyse in kinesitherapie en revalidatie bij interne ziekten in de eerste lijn zal een belangrijke stap zijn in de ontwikkeling van data-gestuurde therapie. De resultaten van dit project zullen verder onderzoek vergemakkelijken en het mogelijk maken om gegevens- gestuurde geneeskunde bij meerdere ziekten verder te ontwikkelen, evenals het ontwikkelen van toepassingen voor data monitoring en tele-coaching in de gezondheidszorg. Dankzij de gecombineerde expertise van beide onderzoeksgroepen, in samenwerking met de Belgische Vereniging voor Kinesitherapie (Axxon), kan dit consortium een voorsprong nemen in het adviseren van klinische beslissingen op basis van data analyse binnen de kinesitherapie en op die manier een pionier worden op dit gebied in Europa.Onderzoeker(s)
- Promotor: Vissers Dirk
- Co-promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Visualiseren van "material spatial dimension of waste flows" in de Antwerpse provincie (ATLANTES).
Abstract
Vlaanderen en de Provincie Antwerpen ambiëren tegen 2030 de voetafdruk van grondstofverbruik met 30% te verminderen door meer in te zetten op circulaire economie (CE). Dit project tracht de CE-aanpak te ondersteunen door de ontwikkeling van een online platform dat de afvalstromen van en naar de provincie Antwerpen weet te visualiseren. Dankzij de analyse van afvalstromen kunnen overheden en publieke instellingen immers de impact van hun beleidskeuzes en de geboekte resultaten in deze CE-transitie maximaliseren. Bovendien stelt het bedrijven in staat om hun afvalmaterialen te traceren op provinciaal niveau maar ook nieuwe productieprocessen ontwikkelen waarbij ze hun afvalstoffen ook hergebruiken.Onderzoeker(s)
- Promotor: Verbruggen Sven
- Co-promotor: Furlan Cecilia
- Co-promotor: Mercelis Siegfried
- Co-promotor: Van Acker Maarten
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Tijdsgevoelige applicaties op batterijloze IoT toestellen
Abstract
Het Internet der Dingen (IoT) wordt grotendeels aangedreven door batterijen. Dit vormt een grote uitdaging voor de duurzaamheid en levensduur van IoT apparaten, aangezien batterijen een korte levensduur hebben en milieuvervuilend zijn. Om dit probleem op te lossen, stellen we het idee van batterijloze IoT netwerken voor, waar apparaten worden aangedreven door het oogsten van energie en kleine, langlevende condensatoren. Dergelijke apparaten raken echter vaak zonder energie, wat resulteert in periodiek aan-uit gedrag. Traditionele sequentiële applicaties, kunnen dergelijk gedrag niet aan, omdat ze hun voorwaartse vooruitgang verliezen. Dit probleem kan worden opgelost met taak-gebaseerde applicaties, die bestaan uit keten van onderling verbonden taken. Elke taak voert een atomaire functie uit, waarvan het resultaat in niet-vluchtig geheugen wordt bewaard na succesvolle voltooiing. Hierdoor, kan de voorwaartse vooruitgang worden gegarandeerd, zelfs bij frequent energieverlies. Het optimaal plannen van de uitvoering van deze taken is echter niet triviaal. In dit project stellen we een nieuwe taakplanner voor, die de deadline van taken en het specifieke gedrag van condensatoren en verschillende bronnen van energie oogst mee in rekening brengt.Onderzoeker(s)
- Promotor: Famaey Jeroen
- Co-promotor: Delgado Carmen
- Co-promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Multi-agent communicatie- en gedragstraining met behulp van reinforcement.
Abstract
Veel applicaties vereisen intelligente samenwerkende agents die samenwerken om een probleem op te lossen. Een voorbeeld van zo een probleem is een vloot van autonome voertuigen die gecoördineerd rondrijden. Een multi-agent systeem dat wordt opgebouwd door machine learning is een goed onderzocht probleem in de state-of-the-art. Recent zijn onderzoekers erin geslaagd om agents te ontwikkelen die in staat zijn om te leren hoe ze moeten communiceren om een doel te bereiken. Dit is een nieuw sub-domein van multi-agent reinforcement learning waarin we gaan onderzoeken hoe we gedecentraliseerd kunnen trainen. Dit zal ons toelaten om heterogene agents te ontwikkelen tijdens het uitvoeren van hun applicatie wat niet mogelijk is met state-of-the-art methodes. In dit project, zal ik de state-of-the-art uitbreiden door te onderzoeken hoe we kunnen leren te communiceren met een onbekend aantal agents wat niet mogelijk is met state-of-the-art methodes. Daarna zal ik aan de feedback structuur werken die gebruikt worden om te communiceren tussen de agenten. Ik zal deze aanpassen vervolgens gebruiken om de agents hun architectuur te splitsen. Ik verwacht dat dit de training time voor te leren communiceren zal verkorten wat noodzakelijk is voor het gedecentraliseerd leren van communicatie. Al de voorgaande aanpassen zullen vervolgens gecombineerd worden om gedecentraliseerd te leren communiceren.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Mandaathouder: Vanneste Simon
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Simulatie gebaseerd testen van grootschalige internet of things toepassingen.
Abstract
Het doel van dit onderzoekstraject is om een methodologie te introduceren, gebaseerd op simulatie, die gebruikt zal worden om de beperkingen in schaalbaarheid van moderne IoT software test-technieken op te lossen. Meer specifiek, willen we focussen op het testen van ultra grootschalige systemen die emergent gedrag tonen. Mede doordat IoT meer mainstream aan het worden is en vanwege de stijging in de hoeveelheid toestellen die met elkaar verbonden zijn, zal ook de complexiteit en de schaal van het IoT landschap sterk toenemen. Deze interoperabiliteit tussen IoT toestellen en actuatoren zal van vitaal belang zijn voor toekomstige IoT applicaties. Vanwege deze toename in schaal en diversiteit en vanwege moderne gedecentraliseerde IoT architecturen zoals Edge computing, zien we een heel nieuw type IoT applicatie aan belang winnen. Een type applicatie waarbij lokaal gedecentraliseerde interacties tussen IoT applicaties zal leiden tot een globaal emergent gedrag. Deze term, emergent gedrag, kan best vergeleken worden met het gedrag van een zwerm vogels, waarbij lokale interacties tussen individuele vogels leiden tot een globaal geoptimaliseerd gedrag. Ditzelfde idee is ook hele relevant binnen het IoT domein, neem bijvoorbeeld een slimme verkeerslichten toepassing, waarbij lokale interacties tussen verkeerslichten eveneens kunnen leiden tot een globaal geoptimaliseerde verkeerstroom. Dit type applicatie zal echter tegelijk leiden tot grote moeilijkheden wat validatie, testen en kalibratie betreft. Dit is omdat emergent gedrag alleen kan optreden in een realistische, grootschalige en diverse omgeving. Dergelijke applicaties uitrollen in een geïsoleerde test omgeving zou onpraktisch zijn omdat de kost om een dergelijke omgeving op te zetten op een realistische schaal te groot zou zijn en te veel tijd zou vergen tijdens de vroege ontwikkelfase van een project. In plaats van beroep te doen op dure testomgevingen, stellen wij een grootschalige simulatie benadering voor in dit project. Zo'n simulatie-gebaseerd systeem zal bestaan uit honderdduizenden virtuele sensoren die met elkaar en met de omgeving interageren. Dit leidt echter tot bijkomende technische uitdagingen. De benodigde schaal van een dergelijk simulatie gebaseerd systeem moet zeer groot zijn alvorens emergent gedrag waargenomen kan worden. Daarbij, dienen alle virtuele sensoren in het systeem continu actief te zijn om in real-time te kunnen interageren met andere systemen. Dit komt omdat een belangrijk deel van het gedrag van typische IoT systemen bepaald wordt door een IoT middleware, de gesimuleerde entiteiten zullen dus in staat moeten zijn om met deze middleware te interageren alsof het werkelijke IoT toestellen zijn. We verwijzen naar dit principe met de term Software-in-the-loop (SIL) simulatie. Vanwege deze real-time vereisten zal een grote hoeveelheid van de simulatie entiteiten tegelijk functioneel moeten zijn, wat de computationele complexiteit sterk zal verhogen. Enkel beroep doen op hedendaagse simulatie technieken is daardoor niet voldoende. De bijdrage van dit project is gefocust op de ontwikkeling van een methodologie voor het uitvoeren van real-time, grootschalige simulaties voor het testen en analyseren van zowel conventionele IoT systemen als IoT systemen die afhangen van het gegenereerde emergent gedrag. Wij focussen op twee grote trajecten binnen het kader van dit project, in het eerste traject willen we de computationele complexiteit verlagen door dynamisch de abstractie niveaus van simulatie modellen.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Denil Joachim
- Co-promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Een methodiek voor analyse en optimalisatie van gedistribueerde artificiële intelligentie.
Abstract
Hoewel de fundamenten van artificiële intelligentie (AI) reeds lange tijd bestaan, hebben recente ontwikkelingen in rekenkracht en nieuwe AI-technieken gezorgd voor een heropleving in dit onderzoeksdomein. Met de opkomst van het Internet der dingen (IoT), hebben vele slimme applicaties, gedreven door AI, hun weg gevonden naar ons dagelijks leven. Gezien de computationele complexiteit van deze technieken is een veelgebruikte aanpak het minimaliseren van de berekeningen op het toestel van de eindgebruiker en het uitvoeren van de zware berekeningen in een cloud omgeving. Echter, met een toename tot meer dan 20 miljard slimme toestellen tegen 2020 in het vooruitzicht, is het verwerken van de grote hoeveelheden geproduceerde gegevens met een cloud-gebaseerde oplossing niet haalbaar. Om de AI-revolutie verder te zetten zijn alternatieve methodes noodzakelijk, waarbij de AI verdeeld wordt over toestellen die dichter bij de rand van het netwerk staan. Huidige AI-oplossingen verdelen hun werk over grootschalige cloud-omgevingen en hoogperformante toestellen. IoT-devices, hebben echter zeer diverse hardware en vaak strike software beperkingen. Afhankelijk van deze beperkingen, bijvoorbeeld in timing, rekenkracht, geheugen en energie, zijn op maat gemaakt optimalisatie-strategieën noodzakelijk. Om distributie van AI in een IoT omgeving mogelijk te maken moeten twee gaten in de state-of-the-art worden overbrugd. In dit onderzoeksproject onderzoeken we (1) een systematische methode voor de analyse van AI om de karakteristieken van deze algoritmes te bepalen en (2) een methode voor optimale distributie van AI in de context van AI.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Optimalisatie en parallellisatie van real-time media-processing op ingebedde systemen door abstractie van software- en hardwaregedrag.
Abstract
Dit project kadert in een onderzoeksopdracht tussen enerzijds UA en anderzijds IWT. UA levert aan IWT de onderzoeksresultaten genoemd in de titel van het project onder de voorwaarden zoals vastgelegd in voorliggend contract.Onderzoeker(s)
- Promotor: Demeyer Serge
- Co-promotor: Temmerman Marijn
- Mandaathouder: Mercelis Siegfried
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject