The project objective is to investigate the possibility to apply federated learning for anomaly detection using multivariate sensor data from the vehicles. This includes to propose a protocol for federated learning that deals with the intermittency of the vehicle and take the modularity of vehicles into consideration. To achieve this, we build an edge analytics prototype using the Crosser platform for orchestration and integrate a framework with federated learning support. We develop also new types of survival models for continuous distributions. In this project we developed a way to stream flexibly CAN time-series, orchestrate and deploy federated machine learning models for anomaly detection that use CAN time-series data for training and for inference. The IoT edge analytics prototype can be installed in and used by test trucks.

Projektets mål är att undersöka möjligheterna att använda federerad maskininlärning för avvikelsedetektering med hjälp av sensordata från fordon. Det inkluderar att föreslå ett protokoll för federerad inlärning som hanterar asynkron och oregelbunden trådlös tillgång till internet och som tar hänsyn till fordonens modulära uppbyggnad. För att uppnå det har vi byggt en prototyp baserad på programvara från Crosser som integrerats med ett ramverk för federerad inlärning. Prototypen körs på kantnod (dvs i fordonet) och orkestreras på distans med webbgränssnitt. Prototypen kan installeras i testbilar och modellerna tränas med fordonets CAN-data.