Heterogena modell-kompilatorer för ovissa miljöer
- Diarienummer
- FFL15-0032
- Start- och slutdatum
- 170101-221231
- Beviljat belopp
- 11 882 099 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Modellbaserad utveckling och maskininlärning har kommit att bli nyckeltekniker för att kunna hantera den ständigt ökande komplexiteten av moderna system. Utvecklingen är dock långsammare än vad som är önskvärt. Detta beror dels på svårigheten att behärska dessa tekniker, och dels på grund av bristande kompabilitet mellan det stora antalet modelleringsformalismer, verktyg och maskininlärningsalgoritmer. Det övergripande målet med detta projekt är att utveckla nya tekniker och verktyg som gör det enklare att utveckla komplexa system. Detta görs genom att kombinera heterogena modeller, samt att automatiskt generera implementationer för heterogena plattformar. Ett konkret resultat från projektet inkluderar en modellbaserad kompilator som är direkt användbar för industrin. För att påvisa direkt relevans av projektet för den svenska industrin har vi identifierat tre konkreta applikationer. Dessa är: i) energiförbättringar och anomalidetektering i telekomsystem (tillsammans med Ericsson), ii) automatiserad containerhantering i stora hamnar (tillsammans med ABB), samt systemtestning av CubeSat satelliter (tillsammans med KTH space center).
Populärvetenskaplig beskrivning
Sverige har en mycket lång tradition av ingenjörsmässigt arbete där de största svenska företagen ständigt förlitar sig på nya tekniska innovationer. För att kunna bibehålla den starka svenska ställningen inom teknikområden som t.ex. telekommunikation och fordonsindustri räcker det dock inte att följa med i de senaste trenderna vad gäller systemutveckling: Sverige måste vara ledande och vara en del av att skapa trenderna. Detta bör ske såväl genom att erbjuda en framstående ingenjörsutbildning, samt vara drivande i att utveckla nya ingenjörsmetoder och utvecklingsverktyg. I det här projektet utvecklar vi nya metoder och verktyg för att kunna kombinera tekniker inom fysisk modellering med maskininlärning. Inom projektet utvecklar vi en ny modellkompilator, som dels kan hantera en stor mängd olika modelleringstekniker, och dels kan generera programvara till olika heterogena plattformar. Forskningen genomförs i nära samarbete med industrin, inom områdena telekommunikation, hamnautomation och satellittestning.