WASP vid Institutionen för datavetenskap (IDA)

OM WASP vid IDA

En av forskningsmiljöerna kopplade till WASP - Wallenberg AI, Autonomous Systems and Software Program vid Linköpings universitet (LiU), finns vid Institutionen för datavetenskap (IDA) på Campus Valla i Linköping.

Institutionen för datavetenskap bedriver forskning inom artificiell intelligens (AI), människa-datorinteraktion, programvaruteknik och datorsystem, och data science.

På den här sidan presenterar vi mer information om de forskningsaktiviteter och forskare vid IDA som är kopplade till WASP. Du kan läsa om:

  • WASP AI och integrerade system
  • WASP Maskininlärning
  • WASP Realtidssystem
  • WASP-ED - ett nationellt utvecklingsprogram för utbildning inom AI

Publikationer inom WASP vid IDA

Till publikationsdatabas

WASP vid LiU

För mer information om forskning inom WASP vid LiU, gå upp en nivå i menyn till WASP - Wallenberg AI, Autonomous Systems and Software Program. 

Nyheter

WASP vid IDA

WASP utökas med initiativet AI for Science

Knut och Alice Wallenbergs Stiftelse beviljar WASP 70 miljoner kronor till ett nytt initiativ som ska främja användandet av AI-baserade metoder inom akademisk forskning i Sverige.

Bild på en leende man i med glasögon och en blå skjorta

AI som gör nytta i samhället

Hur kan artificiell intelligens förbättra exempelvis lokaltrafik, vård och nationella transporter? En forskargrupp vid LiU arbetar med att utveckla AI för samhällsnytta.

Man på scenen med roboten Spot och publik framför.

Robotarna Spot och Elsa på scen vid kungabesöket

När kungaparet besökte Linköping berättade Mattias Tiger, postdoktor vid Institutionen för datavetenskap, om LiU:s stora satsningar inom artificiell intelligens och autonoma system. Han visade samtidigt upp robotarna Spot och Elsa.

Piotr Rudol med en av drönarna, på Gränsö

Jobba på WASP

Kolla in våra lediga jobb på WASP, Wallenberg AI, Autonomous Systems and Software Program, vid Linköpings universitet. Ansök idag!

WASP AI och integrerade system

WASP AI och integrerade system

Forskningen inom avdelningen Artificiell intelligens och integrerade datorsystem, AIICS, vid Institutionen för datavetenskap finns i skärningspunkten mellan artificiell intelligens och autonoma system. Gruppen har forskat inom området i mer än 20 år.

Fokus för forskningen ligger på kognitiva robotar. Det är robotar som innehåller system som gör dem kapabla att ta emot och förstå data från sensorer, för att generera modeller, för att använda modeller och för att handla rationellt i sin miljö.

Ett lika viktigt område är samverkande robotsystem. Sådana system innehåller både robotar av olika slag och människor som samverkar och agerar tillsammans för att uppnå ett gemensamt mål. Bakgrunden till denna forskning handlar om utveckling av integrerade system av system för test och tillämpningar inom området. Ett specifikt område handlar om att utveckla obemannade flygplanssystem för exempelvis nödsituationer. 

Artificiell intelligensArtificiell intelligens Foto Göran Billeson

Forskningsprojekt WASP AI och integrerade system

Samtidig koalitionsformering och uppgiftsallokering

I projektet studerar vi hur man sätter samman grupper av agenter och tilldelar dem uppgifter som de ska lösa så att alla uppgifter utförs så bra och effektivt som möjligt. Våra algoritmer har exempelvis testats på strategispel.

Koalitioner formas och uppgifter allokerasKoalitioner formas och uppgifter allokeras

Ett fundamentalt problem inom artificiell intelligens är hur man organiserar och koordinerar olika agenter för att förbättra deras prestation och förmåga. Detta är ett optimeringsproblem med många tillämpningar, exempelvis för att skapa arbetslag som utför specifika uppgifter.

Vi har tagit fram flera nya algoritmer som löser problemet. För att utvärdera algoritmerna har vi utökat etablerade metoder för att generera tester för den här typen av system, vi har även jämfört algoritmerna på syntetisk data som varierar både i hur den ser ut och hur komplex den är. Vi har bland annat använt algoritmerna i ett kommersiellt strategispel och har kunnat visa att algoritmer kan användas i spel för att koordinera grupper av agenter i realtid.

Algoritmerna har använts i ett kommersiellt dataspelAlgoritmerna har använts i ett kommersiellt dataspel

WARA PS

WASP:s arena för allmän säkerhet, WARA PS

Medarbetare inom AIICS deltar även i WASP:s arena för allmän säkerhet, WARA PS (Public Safety) med autonoma systemkunskaper, infrastruktur och UAV-plattformar.

Artificiell intelligens
WARA demonstrator 2018
Foto Thor Balkhed

Utrustning och laboratorier

Avdelningen har ett fullt utrustat flygsystemlaboratorium med ett system för spårning i realtid och en flotta av autonoma fordon, från mellanstora Yamaha RMAX helikoptersystem och DJU kvadrukoptrar till inbyggda UAV-system i mikroformat. Robotikflottan består också av en Husky UGV.

Artificiell intelligens
Ovan visar framtagning av mesh-nätverk för att snabbt få igång kommunikationen mellan samarbetande obemannade flygande farkoster, UAV:er, under en räddningsaktion.

WASP Maskininlärning

Vid avdelningen Statistik och maskininlärning utvecklar vi de maskininlärningsmetoder som används när autonoma system lär sig från data. Vår forskning och utbildning fokuserar på sannolikhets-modellering och effektiva algoritmer för lärande, prediktion och beslutsfattande under osäkerhet.

Vid avdelningen Statistik och maskininlärning, STIMA, arbetar vi både med grundläggande metodutveckling inom maskininlärning, och med tillämpad forskning med industriella tillämpningar inom områden som transportsystem, telekommunikation, robotik, autonoma fordon, medicinsk teknik, klimatmodellering och mjukvaruutveckling.

Forskningen vid avdelningen har bland annat resulterat i effektiva simuleringsbaserade beräkningsalgoritmer för storskaliga data, nya grafiska modeller för att hantera struktur och beroenden i komplexa datamängder, och metoder för att analysera kausala samband.

Maskininlärning Foto iStock/monsitj

Forskningsprojekt WASP Maskininlärning

Maskininlärning för 5G-systemkontroll och automatisering

Telekommunikationer Foto iStock/12521104 I jämförelse med 4G finns en uppsjö av nya applikationer för 5G, allt från traditionella effektiva bredbandskommunikationslänkar till mer strikt säkra kommunikationslänkar som är lämpliga för kritisk kommunikation i industriella applikationer eller massiv kommunikation som vanligtvis är förknippade med Internet of things.

I detta projekt utvecklar vi lösningar för att öka autonomi av 5G-nätverk med syftet att förbättra nätverksprestanda, minska driftskomplexiteten och öka resiliens. Användning av probabilistiska maskininlärningsmodeller i projektet är en grund för ett optimalt beslutsfattande, särskilt för att uppfylla kraven på extrem pålitlighet där osäkerhetsinformation är avgörande.

Projektet syftar till att använda probabilistiska klassificerings- och regressionsmodeller för att garantera flexibilitet och autonomi av 5G-komponenter, och även använda spatiala och temporala modeller för att få in dynamiska aspekter såsom enhetshastighet, enhetsrörelseriktning eller dagliga / månatliga variationer av nätverkets arbetsbelastning. För att kunna autonomt anpassa sig till olika miljöförändringar och störningar syftar projektet till att integrera online learning komponenter i våra metoder.

Effektivitet och skalbarhet är utmaningar inom effektiv utveckling av autonoma 5G-miljöer, och utvecklingen av lämpliga Big Data metoder är ännu ett mål för projektet.

Publikationer

Extern partner

Ericsson AB

Bayesiansk maskininlärning för spatiotemporala processer inom transport

Transporter Foto iStock/Wenjie Dong Den snabba utvecklingen av strömmande sensorer har gjort det alltmer vanligt med spatiotemporala data. I det här projektet utvecklar vi sannolikhetsmodeller för spatiotemporala data med tillämpningar inom transportproblem.

Huvudsakligt fokus ligger på utveckling av beräkningseffektiva bayesianska metoder för lärande, prediktion och beslutsfattande för spatiotemporala data med nätverksstruktur.

Delprojekt

  1. En bayesiansk dynamisk stokastisk blockmodell för storskaliga multinätverk med tillämpningar inom flygtrafik
  2. Trafikflödesmodellering och prediction med gaussiska processer med vägnätstopologi.
Extern partner

Stockholms Lokaltrafik, SL

Ett urval publikationer

Nya metoder för att knyta samman probabilistiska modeller och djup maskininlärning

Probabilistiska modeller Foto metamorworks Probabilistiska modeller och djupinlärning är två framgångsrika tekniker som används inom maskininlärning. Dessa båda tekniker har komplementära egenskaper. För att kunna dra nytta av styrkorna hos båda teknikerna ämnar vi att utveckla nya metoder och teorier för att överbygga klyftan dem emellan.

Probabilistiska modeller används ofta inom statistik och maskininlärning. I en probabilistisk modell ses de olika variablerna som stokastiska (slumpmässiga) och de beroenden som finns mellan variablerna representeras av en sannolikhetsfördelning.

Probabilistiska modeller har många önskvärda egenskaper. Bland annat möjliggör de att systematiskt hantera den osäkerhet som i princip all data i praktiken är behäftat med. Modellerna bli därigenom ”medvetna” om osäkerheten i deras prediktioner, något som är av yttersta vikt för att kvalitetssäkra de system där metoderna används.

Djupinlärning är en gren av maskininlärning som de senaste åren haft enastående framgångar inom en rad olika tillämpningar, så som datorseende, språkteknologi och mycket mer. Djupinlärning baseras på modeller som kallas för artificiella neurala nätverk. I de flesta fall tränas dessa nätverk med hjälp av övervakad inlärning från stora mängder träningsdata.

Tyvärr har framstegen inom djupinlärning också ett pris, de neurala nätverken saknar ofta de önskvärda egenskaper som finns hos probabilistiska modeller, som kvantifiering av osäkerhet och möjligheten att utnyttja a priori-kunskap om struktur och beroenden hos data.

I det här projektet vill vi utveckla teorier och metoder relaterade till samspelet mellan probabilistiska modeller och djupinlärning.

Vi avser att utveckla både nya modeller och nya inlärningsalgoritmer för tillämpningar där vissa variabler naturligt beskrivs med hjälp av exempelvis probabilistiska grafiska modeller eller stokastiska processer, medan data hämtas från ett område där djupinlärning har visat sig vara framgångsrikt (till exempel bilder).

Inom projektet kommer vi undersöka tillämpningar av den nya teorin inom bland annat medicinskt beslutsstöd, för aktiv maskininlärning och för halvövervakad inlärning av dynamiska system. Det finns dock ett stort antal tillämpningsområden som kan dra nytta av samspelet mellan djupinlärning och probabilistiska modeller och vi förväntar oss därför att resultatet av projektet ska komma till bred användning.

Externa partner

  • Chalmers tekniska högskola:
  • Lennart Svensson (PI)
  • Jakob Lindqvist (WASP-MLX PhD student)

WASP Realtidssystem

Forskningen vid Laboratoriet för realtidssystem omfattar säkerhet och pålitlighet i distribuerade datorsystem, inte minst i system som är samhällskritiska. Vi forskar kring områden som säkerhet, tillförlitlighet, tillgänglighet och integritet.

Vår forskning handlar om framtagning av algoritmer och protokoll för pålitliga nätverkande system, liksom metoder att säkra systemen för exempelvis överbelastningar och attacker. Laboratoriet har över 20 års erfarenhet inom området, speciellt gäller det forskning inom flygsystem och intelligenta transportsystem.
Sedan 2001 har vi även deltagit i europeiska samarbeten kring säkerhet för kritisk infrastruktur. 

De nuvarande projekten innefattar exempelvis säkerhet i nätverkande fordon, resurshantering inom området ”edge computing”, design av säkerhetssystem för flygande farkoster, säkerhet och trygghet i system som innehåller komponenter för maskininlärning, riskanalys och detektering av intrång i industriella styrsystem, med mera.

Det sist nämnda utförs exempelvis inom ramen för ett femårigt nationellt forskningsprogram, RICS (www.rics.se), finansierat av Myndigheten för samhällsskydd och beredskap i samarbete med FOI. Fokus ligger på att skapa en säker informationsinfrastruktur för samhällskritiska funktioner som exempelvis el, vatten och värme.

DatasäkerhetDatasäkerhet Foto oonal

Forskningsprojekt WASP Realtidssystem

Verifikation av lärande mjukvara för säkerhetskritiska system

DatasäkerhetDatasäkerhet Projektet syftar till att utöka dagens metoder för att säkerställa att säkerhetskritiska system ska kunna användas i framtiden, även med inslag av maskininlärning.

Autonoma system som använder sig av maskininlärning kommer i framtiden oundvikligen att användas i miljöer där människor eller miljö kan komma till skada. Projektet ska studera formella verifikationstekniker och även utveckla nya metoder som kan säkerställa att systemen beter sig som det är avsett.

Intressanta egenskaper är robusthet, beslutsförmåga och korrekthet i förhållande till den avsedda funktionen.

Extern partner

Saab group

Förstå resultaten från djup inlärning

DjupinlärningDjupinlärning I detta projekt strävar vi efter att förstå och analysera djupa inlärningssystem och få begripliga resultat. Specifikt utforskar vi en ny teknik för symbolisk representation av abstraktioner.

Djupa inlärningssystem har tre egenskaper som gör dem svåra att lita på i säkerhetskritiska applikationer. De är statistiska och kan inte utnyttjas i sammanhang där värsta tänkbara scenario måste kunna tillämpas. Resultaten kan vara svårt att tolka och ges inte med några förklaringar, och de är notoriskt bräckliga.

I detta projekt utforskar vi en ny teknik för symbolisk representation av abstraktioner. Vi kommer att bygga nya verktyg för att verifiera effektiviteten av metoden för ett autonomt seende fordonssystem.

Externa partners

Professor Carl Seger, Chalmers tekniska högskola och professor Liu Yang, NanYang Technical University, Singapore.

WASP-ED

Januari 2022 startade WASP-ED; Wallenberg AI and Transformative Technologies Education Development Program, ett nationellt utvecklingsprogram för utbildning inom artificiell intelligens (AI). Målet är att avsevärt öka svenska universitets förmåga och kapacitet att tillhandahålla aktuell, relevant utbildning inom AI. Värduniversitet för satsningen är Linköpings universitet.

WASP-ED startades av WASP - Wallenberg AI, Autonomous Systems and Software Program tillsammans med WASP-HS (HS står för humaniora och samhälle). Alla lärosäten som är kopplade till WASP eller WASP-HS kraftsamlar gemensamt för att sprida kunskap om AI så att fler utbildningar får in moment som inkluderar AI. Det är både ett utvecklings- och forskningsprogram som kompletterar den forskning som görs inom WASP och WASP-HS.

Det finns många tekniska utbildningar som inkluderar AI-kurser, men meningen är att införa AI även på övriga utbildningar. Exempelvis för de som ska bli HR-specialister, ekonomer, läkare, sjuksköterskor, lärare med mera för att förstå hur AI påverkar deras profession och hur de kan dra nytta av AI.

Nationella sidan för WASP-ED: https://wasp-ed.org/

Alla forskare inom WASP vid IDA