Coöperatieve R&D samenwerking
Beperk je risico’s en verlaag je kosten door samen met andere bedrijven precompetitief onderzoek te voeren.
Voorbeelden
Verken de manieren waarop imec de toekomst verandert.
imec.xpand
Wil je met nanotechnologie de markt op? Imec.xpand ondersteunt je van begin tot eind.
Spin-offs
Verken hier de lijst van spin-offbedrijven van de Vlaamse innovatiehub voor nano-elektronica en digitale technologie.

Het cREAtIve-project wil nieuwe, zeer aanpasbare embedded deep learning-oplossingen ontwikkelen, specifiek voor toepassingen in de automobiel- en verkeersmonitoring. Denk maar aan de verwerking van positiesensoren, scène-interpretatie op basis van lasermetingen (LIDAR)en het detecteren en classificeren van objecten in thermische beelden voor verkeerscamerasystemen. 

Al deze toepassingen hebben deep-learning-oplossingen nodig, waarvan het ontwerp specifiek is afgestemd op geïntegreerde toestellen. Die toestellen kenmerken zich vaak door hun beperkte bronnen, ze moeten zeer flexibel zijn en bestand tegen veranderingen in de omgeving. Daarom zal cREAtIve kennis, tools en methoden ontwikkelen die hardware-efficiënte, aanpasbare en krachtige deep learning mogelijk maken.

Deep learning-applicaties zonder de cloud

Deep learning-oplossingen voor objectclassificatie werken meestal op basis van cloud-gebaseerde gegevensverwerking. De cloud biedt namelijk voldoende kracht, bandbreedte en opslagruimte. Ook camerasystemen kunnen gebruikmaken van deep learning-algoritmes om objecten op te sporen, te herkennen en te volgen. Deze systemen vereisen echter zero latency– er mag dus geen vertraging zitten in de dataoverdracht tussen opdracht en impuls – en moeten opletten met privacybelangen. Daarom kunnen camerasystemen niet gebruikmaken van de verwerkingskracht van de cloud. Kortom, ze hebben nood aan een geïntegreerde hardware die efficiënte en krachtige deep learning-algoritmes in real-time uitvoert.

Metingen door positiesensoren boeten in aan zuiverheid door niet-stationaire ruis, bijvoorbeeld door een verandering in de omgevingscondities. Om sensormetingen nauwkeuriger en krachtiger te maken, moet deze niet-stationaire ruis weggefilterd worden. Daarvoor zijn er nieuwe, lichtgewicht anti-ruis-oplossingen nodig, die in de sensoren verwerkt zijn. Bij geavanceerde bestuurdersassistentie en zelfrijdende systemen is LIDAR-technologie essentieel. Innovatieve embedded deep learning-oplossingen zijn nodig om de nauwkeurigheid van objectdetectie, -tracking en -classificering van die apparaten te verbeteren. 

Algoritmen die zichzelf aanpassen

Kortom, een op camera’s gebaseerde deep learning-oplossing voor verkeersmanagement moet rekening houden met een aantal beperkingen op vlak van vermogen, bandbreedte en verwerking. Daarnaast moet ze zich ook kunnen aanpassen aan verschillende omgevings- en weersomstandigheden. Het cREAtIve-team houdt met dit alles rekening en voorziet ook de juiste onderliggende hardware om het flexibele systeem optimaal te ondersteunen.

Intelligente embedded apparaten

Het cREAtIve-consortium bestaat uit experten in thermische camera’s en oplossingen voor verkeersmonitoring, in autosensoren, in LIDAR-systemen, in deep learning en aanpasbare hardware-oplossingen. Ze bundelen de krachten voor volgende innovatiedoelen:

  • AI-sensoren ontwikkelen om ruis te filteren, veroorzaakt door temperatuurschommelingen en magnetische spreidingsvelden;
  • de verwerking van LIDAR-metingen verbeteren om zo de 3D-objectdetectie en tracking-performantie te verbeteren;
  • een nieuw deep learning-paradigma ontwerpen dat de nauwkeurigheid van objectdetectie en -classificatie in thermische beelden verbetert;
  • hardware-uitwisseling onderzoeken voor deep learning-netwerken in geïntegreerde of opbouwsystemen met beperkte bronnen en stroomverbruik;
  • het geïntegreerde deep learning-netwerk versterken zodat het zichzelf aanpast aan verschillende omgevingen.

Verbeterde verkeersveiligheid en meer

Het cREAtIve-project zal zorgen voor een betere ontwikkeling van competitieve, aanpasbare AI-oplossingen in geïntegreerde toestellen met beperkte bronnen. Hiermee realiseert het meteen tal van praktische verbeteringen, bijvoorbeeld stabiele metingen met positiesensoren in de automobielindustrie, betere voertuigdetectie en -tracering in autonoom rijdende voertuigen en een verbeterd verkeersmanagement en betere manieren om voetgangers te tellen.

 

Het cREAtIve-project zal nieuwe, aanpasbare en krachtige deep learning-oplossingen ontwikkelen voor embedded toestellen met beperkte middelen.

cREAtIve

Reconfigurable Embedded Artificial Intelligence

 

cREAtIve is een imec.icon onderzoeksproject gefinancierd door imec en Agentschap Innoveren & Ondernemen

 

Het werd opgericht op 01.04.2019 en het project loopt tot 31.03.2021

Projectinformatie

Industrie

  • Easics
  • Flir Systems Trading Belgium
  • Melexis
  • Xenomatix

Onderzoek

  • imec - IDLab Data Science Lab - UGent
  • UGent - Hardware and Embedded Systems (HES)
  • VUB - Vakgroep Elektronica en Informatica (ETRO)

Contact

  • Project lead: Wouter Favoreel
  • Research lead: Joni Dambre
  • Proposal Manager: Poona Bahrebar
  • Innovation manager: Eric Moons