Physics-informed artificial intelligence for autonomy applications in defence (PERTINENCE)

Prosjektet PERTINENCE er dedikert til å overføre kunnskap og resultater innenfor fysikkbasert kunstig intelligens (KI), som kombinerer tradisjonelle fysikkbaserte modelleringsmetoder med KI-tilnærminger, fra pågående forskning innen sivile anvendelser til forsvarsapplikasjoner. Disse metodene tilbyr fordelene ved KI, men innenfor begrensningene til det fysiske systemet. Prosjektet vil fremme tett samarbeid mellom SINTEF og FFI ved å tilpasse metodene til forsvarsspesifikke bruksområder. Det initielle fokuset er å forbedre batterinivåestimatet for "unmanned aerial systems" (UAS) i sanntid, da batterinivået er en hovedbegrensning for den operative bruken av UAS. Nåværende tilnærminger har en tendens til å være overdrevent konservative under utfordrende forhold, som for eksempel vind og ising. De nye metodene forventes å forbedre nøyaktigheten til energiforbruksprediksjoner, forlenge UAS-operasjonstidene og potensielt muliggjøre nye typer oppdrag. Videre har disse metodene bred anvendbarhet for å forbedre ytelsen til forsvarsteknologier som opererer under utfordrende forhold og usikkerheter. Ettersom forsvarssektoren i økende grad er avhengig av autonome systemer, er innovative tilnærminger for å håndtere virkelighetsbaserte usikkerheter avgjørende. For å sikre at PERTINENCE-resultatene blir tatt i bruk, vil vi formidle resultatene til forsvarssektoren, samt forskningsmiljø nasjonalt og internasjonalt. I tillegg har prosjektteamet til hensikt å utforske synergieffekter med pågående FFI-prosjekter for å ytterligere utvide prosjektets innflytelse, både når det gjelder kunnskapsdeling og etablering av nye samarbeidskonstellasjoner for fremtidig samarbeid.

The PERTINENCE project is dedicated to transferring knowledge and results in the field of physics-informed AI, which combines traditional physics-based modeling methods with AI approaches, from ongoing research in land-based process industries to defense applications. The methods offer the benefits of AI but within the constraints of the physical system. The project will foster close collaboration between SINTEF and FFI by adopting the methods to defence-specific use cases. The initial focus is on improving online battery status estimation for unmanned aerial systems (UAS) as battery level is a main limiting factor in the operational use of UAS. Current approaches tend to be overly conservative in harsh environments, such as windy and icing conditions. The new methods are expected to enhance energy consumption prediction accuracy, extend UAS operation times, and potentially enable new types of missions. Moreover, these methods have broader applicability in enhancing the performance of defense technologies operating under challenging conditions and uncertainties. As the defense sector increasingly relies on autonomous systems, innovative approaches to address real-world uncertainties are crucial. Dissemination efforts will focus on maximizing impact, targeting FFI and the Norwegian Armed Forces. Based on good experience and positive feedback from similar projects, knowledge transfer to the defence sector will be facilitated by numerous seminars, webinars, and hands-on tutorials. Additionally, the project team intends to explore synergies with ongoing FFI projects to further extend the impact of the project, both in terms of knowledge sharing and in terms of establishing new constellations for future collaboration.