LUCY: Een drone met oren

Onbemande luchtvaartuigen (UAV’s) zijn nuttig om te helpen bij het zoeken naar overlevenden in rampengebieden. Onderzoekers van het Fraunhofer Instituut willen drones in de toekomst uitrusten met microfoonarrays en ontwikkelden daarvoor LUCY (Listening system Using a Crow’s nest arraY). Hiermee zijn ze in staat om hulpkreten en andere akoestische signalen van slachtoffers vanuit de lucht nauwkeurig te lokaliseren. Dit vergroot de kans op een snelle redding van slachtoffers die niet met een camera te zien zijn aanzienlijk.

Overstromingen in Libië, Griekenland en Slovenië, branden in Hawaï en Tenerife, aardbevingen in Turkije en Marokko,… Wanneer een regio door een natuurramp wordt getroffen, telt elke minuut bij de pogingen om slachtoffers te redden. Maar het zoeken naar overlevenden is complex werk. Dit komt omdat gebouwen en wegen beschadigd kunnen zijn en grote gebieden mogelijk zijn afgesneden. Het gebruik van drones met daglichtcamera’s en warmtebeeldcamera’s wordt daarom steeds populairder. Ze kunnen snel over grote gebieden met verwoeste infrastructuur vliegen. Ze kunnen slachtoffers lokaliseren en de reactie van reddingsteams versnellen.

Beperkte effectiviteit

Het probleem is echter dat slachtoffers die vastzitten onder puin niet zichtbaar zijn voor deze beeldsensoren. Ook factoren zoals dikke rook, mist of duisternis beperken de effectiviteit van de camera’s. Voor dit soort scenario’s werken onderzoekers van Fraunhofer instituut voor Communicatie, Informatieverwerking en Ergonomie (FKIE) aan een oplossing waarmee akoestische sensoren aan de camera’s kunnen worden toegevoegd. FKIE-wetenschapper Macarena Varela ontwikkelde in samenwerking met collega’s en onderzoeksgroepleider Dr. Marc Oispuu LUCY, wat staat voor Listening system Using a Crow’s nest arraY. Het is een stukje technologie om het leven te redden van mensen die bedolven zijn onder puin of vastzitten in branden.

Microfoonarray

LUCY is een array van MEMS-microfoons – bekend als een kraaiennestarray. Doel is om ze op drones te monteren om te bepalen uit welke richting geluiden zoals hulpgeroep, geklap of klopsignalen komen. De kleine, robuuste MEMS-microfoons zijn goedkoop. Ze worden gebruikt in toepassingen zoals smartphones. Het bijzondere aan dit systeem is dat de microfoons in een speciale geometrische configuratie aan de onderkant van de drone zijn bevestigd. Hiermee kunnen ze geluid uit alle richtingen waarnemen. “Het hoogste uitkijkpunt op schepen waarmee je in alle richtingen kunt kijken, staat bekend als het kraaiennest. Hetzelfde geldt voor LUCY. Ons systeem kan vrijwel onbeperkt in alle richtingen horen,” legt Macarena Varela uit.

Menselijk oor

LUCY werkt op dezelfde manier als het menselijk oor. Het vangt geluidsinformatie op en geeft deze door aan de hersenen waar analyse volgt. In het geval van het array-systeem zijn de microfoons de oren en een signaalverwerkingseenheid vormt de hersenen. Dit systeem bepaalt de richting waaruit de geluiden komen.

48 microfoons

LUCY heeft op dit moment 48 microfoons. Hiermee is het mogelijk de richting van de geluidsbron zeer nauwkeurig te bepalen. “Ruimtelijk horen werkt duidelijk beter met 48 of meer microfoons dan met twee akoestische sensoren. En zowel gericht horen in een bepaalde richting als het vermogen om bepaalde geluiden te negeren zijn ook verbeterd”, zegt Dr. Oispuu. Bovendien is het systeem in staat om frequenties waar te nemen die het menselijk oor niet kan registreren. In de toekomst zal het aantal microfoons worden uitgebreid tot 256 sensoren die signalen in realtime kunnen verwerken.

Afleidende omgevingsgeluiden

Het systeem blokkeert afleidende omgevingsgeluiden. Denk bijvoorbeeld aan wind of vogels, maar ook aan de draaiende rotors van de drone zelf. Methoden van kunstmatige intelligentie (AI) en adaptieve filters worden gebruikt om signalen eruit te filteren. Tegelijkertijd wordt het systeem geleerd om geluidspatronen te detecteren zoals schreeuwen, bonzen of klappen. Deze geluidspatronen gebruiken mensen in nood vaak om de aandacht te trekken.

Artificiële intelligentie

Om het systeem in staat te stellen dit te doen, gebruikt het een database van verschillende geluiden of handtekeningen waarop de AI van tevoren is getraind. In combinatie met signaalverwerkingstechnieken maakt dit het mogelijk om geluiden te detecteren en te classificeren en hun invalshoek nauwkeurig te bepalen. Bovendien zorgt een compacte verwerkingseenheid ervoor dat een zeer snelle verwerking van signalen mogelijk is. Wanneer zich een ramp voordoet, worden de ontvangen locatiegegevens doorgestuurd naar de reddingsteams. Die kunnen dan bijvoorbeeld tablets gebruiken om de exacte positie van de slachtoffers te bepalen.

Lichtgewicht LUCY

Dankzij hun schaalbaarheid kunnen de sensormodules en microfoonarrays worden gebruikt op tal van commercieel verkrijgbare drones. Omdat zowel de MEMS-technologie als de drones relatief goedkoop zijn, kunnen meerdere onbemande luchtvaartuigen worden gebruikt om het rampgebied effectief te onderzoeken. Door het lage gewicht kunnen hulpverleners het LUCY-systeem met zich meedragen om het ook op de grond te gebruiken. En het kan op voertuigen worden gemonteerd of als stationaire apparatuur worden gebruikt. De FKIE-onderzoekers werken momenteel aan verdere verbeteringen van het experimentele systeem.

Openingsfoto: Bij rampen worden drones steeds vaker ingezet om snel over grote gebieden met verwoeste infrastructuur te vliegen, slachtoffers te lokaliseren en de reactie van reddingsteams te versnellen. (foto: Fraunhofer FKIE)

Lees ook: Drones beschermen windturbines tegen ijs

Autonome elektrische veerboot begint commerciële vaart in Stockholm

De Noorse rederij Torghatten AS zal later dit jaar de eerste commerciële autonome en elektrische passagiersveerboot ter wereld lanceren. Deze gaat regelmatige vaarten maken tussen eilanden in het centrum van Stockholm, Zweden.

De autonome technologie in het hart van de Zeam-veerboot wordt al een aantal jaar ontwikkeld door de Noorse Universiteit voor Wetenschap en Technologie in Trondheim, dat vorig jaar met succes een proefveerboot lanceerde als onderdeel van haar Autoferry project.

Digitale kapitein

De installatie wordt nu commercieel beschikbaar gesteld door spin-out bedrijf Zeabuz, waarvan Torghatten AS mede-eigenaar is. Het bestaat uit een radar en LiDAR om andere objecten op het water te volgen en te vermijden en infrarood- en visioncamera’s om de AI-gebaseerde “digitale kapitein” te helpen begrijpen wat er rondom de veerboot gebeurt. Daarnaast zijn er ultrasone sensoren om automatische aanmeermanoeuvres mogelijk te maken en GPS voor plaatsbepaling.

De autonome catamaranveerboot wordt gebouwd door Brødrene Aa en zal 12 x 5 meter zijn. Dat is voldoende ruimte om 25 passagiers (plus een half dozijn fietsen) te vervoeren tussen de eilanden Kungsholmen en Södermalm in Stockholm. Een accubank van 188 kWh, geleverd door ZEM, wordt opgeladen door een zonnepaneel van 7,7 kW bovenop en de aandrijving wordt geregeld door een elektromotor.

Verwacht wordt dat de Zeam-veerboot 15 uur per dag elke 15 minuten zal varen. Torghatten AS hoopt dat Stockholm de eerste van vele steden wordt die het initiatief overneemt.

Machine learning voor het ontwerpen van moleculen en reactiepaden

Onderzoekers in Japan hebben een machine learning proces ontwikkeld. Het ontwerpt tegelijkertijd nieuwe moleculen en stelt de chemische reacties voor om ze te maken. Het team bestaat uit wetenschappers van het Institute of Statistical Mathematics (ISM) in Tokio. Ze publiceerden de resultaten in het tijdschrift Science and Technology of Advanced Materials: Methods

Veel onderzoeksgroepen boeken aanzienlijke vooruitgang bij het gebruik van kunstmatige intelligentie (AI) en machine learning. Ze ontwerpen hiermee haalbare moleculaire structuren met de gewenste eigenschappen. Maar de vooruitgang bij het in praktijk brengen van de ontwerpconcepten verloopt traag. De grootste belemmering zijn de technische moeilijkheden bij het vinden van chemische reacties die de ontworpen moleculen kunnen maken. Er moet daarbij rekening worden gehouden met efficiëntie, kosten en praktische uitvoerbaarheid voor gebruik in de echte wereld.

Nieuw algoritme

“Ons nieuwe machine learning algoritme en het bijbehorende softwaresysteem kunnen moleculen ontwerpen met alle gewenste eigenschappen. Daarbovenop stellen ze synthetische routes voor om ze te maken uit een uitgebreide lijst van commercieel beschikbare verbindingen.” Dat zegt statistisch wiskundige Ryo Yoshida, leider van de onderzoeksgroep.

Machine learning en wetenschappers

Het proces maakt gebruik van een benadering die Bayesian inference wordt genoemd. Het werkt met een enorme reeks gegevens over verschillende opties voor uitgangsmaterialen en reactieroutes. De mogelijke basis: allemaal combinaties van de miljoenen verbindingen die gemakkelijk verkrijgbaar zijn. Het computeralgoritme beoordeelt de enorme reeks haalbare reacties en reactienetwerken. Dit doet het om een synthetische route te ontdekken naar een verbinding met de eigenschappen waarnaar is gestreefd. Deskundige chemici kunnen dan de resultaten bekijken om te testen en te verfijnen wat de AI voorstelt. De AI doet de voorstellen terwijl mensen beslissen welke oplossing de beste is.

Geneesmiddelen en smeermiddelen

“In een case study is gekeken naar het ontwerpen van moleculen gelijkend op moleculen die in geneesmiddelen worden gebruikt. De methode toonde overweldigende prestaties”, zegt Yoshida. Ook werden routes ontworpen naar industrieel bruikbare smeermiddelmoleculen.

Versnelling teweegbrengen

Yoshida: “We hopen dat ons werk het proces van datagestuurde ontdekking van een breed scala aan nieuwe materialen zal versnellen.” Ter ondersteuning van dit doel stelde het team de software die hun machine learning implementeert beschikbaar aan alle onderzoekers op de website GitHub.

Polymeren

Het huidige succes richtte zich alleen op het ontwerp van kleine moleculen. Het team is nu van plan te onderzoeken of ze de procedure kunnen aanpassen om polymeren te ontwerpen. Veel van de belangrijkste industriële en biologische verbindingen zijn polymeren. Maar het is moeilijk gebleken om nieuwe versies te maken die door machine learning zijn voorgesteld. Dit komt vanwege uitdagingen bij het vinden van reacties om de ontwerpen op te bouwen. Daar kan deze nieuwe technologie verandering in brengen.

Afbeelding van Gerd Altmann via Pixabay
Lees ook: AI en federated learning kan detectie van hersentumoren met 33% verbeteren

AI-modellen voorspellen onderhoudsbehoeften van vliegtuigen

AI-modellen kunnen worden ingezet voor het maken van gezondheidsvoorspellingen van vliegtuigsystemen. Dit maakt het mogelijk het onderhoudsproces op deze voorspellingen af te stemmen en maakt onderhoud zo efficiënter.

Dit blijkt uit een groot onderzoek van meerdere universiteiten en industriën onder de naam ReMAP. TU Delft is projectleider. De Nederlandse universiteit noemt het onderzoek en de ontwikkelde AI-modellen een belangrijke stap in de modernisering van vliegtuigonderhoud.

Integrated Fleet Health Management

ReMAP is een door Horizon 2020 gefinancierd project. Het project is op 1 juni 2018 gestart en loopt eind deze maand ten einde. ReMAP moet bijdragen aan de leidende positie van Europa op het gebied van luchtvaart door de ontwikkeling van een open source-oplossing voor vliegtuigonderhoud. Dit systeem wordt ook wel het Integrated Fleet Health Management (IFHM) systeem genoemd. Het systeem vervangt onderhoud op vaste periodieke momenten met een adaptief onderhoudsmodel. Bij dit model wordt onderhoud uitgevoerd op het moment dat dit daadwerkelijk nodig is.

De volgende partijen zijn bij ReMAP betrokken:

• Technische Universiteit Delft (NL)
• ATOS Spain S.A. (SP)
• Cedrat Technologies (FR)
• Collins Aerospace (IE)
• École National Supérieure d’Arts et Métiers (FR)
• Embraer Portugal S.A. (PT)
• Instituto Pedro Nunes (PT)
• KLM Royal Dutch Airlines (NL)
• Office National D’Etudes et de Recherches Aerospatiales – ONERA (FR)
• Optimal Solutions (PT)
• Smartec SA (CH)
• University of Coimbra (PT)
• University of Patras (GR)

Van vaste onderhoudsmomenten naar continue gezondheidsmonitoring

Projectleider Bruno Santos, Assistant Professor Airline Operations, zegt in een nieuwsbericht: “We zijn erin geslaagd het complete onderhoudsproces van verschillende vliegtuigvloten te modelleren. Hiermee wordt het in de toekomst mogelijk om het huidige vliegtuigonderhoud op basis van vaste tijdsintervallen, en onderhoud als gevolg van defecten, te transformeren naar continue gezondheidsmonitoring van systemen. Systemen worden dan vervangen precies wanneer dat nodig is, wat verspilling tegengaat. Daarnaast heeft het team het complexe proces van onderhoudsplanning gemodelleerd, iets wat momenteel grotendeels met de hand gebeurt. Hierin wordt ook rekening gehouden met veranderingen en verstoringen, zodat het de praktijk beter benadert dan de bestaande statische modellen. Onderhoud kan hierdoor verder vooruit worden gepland.”

De potentiële besparing op vliegtuigonderhoud is groot. Alleen al in Europa kan de besparing naar verwachting oplopen tot 700 miljoen euro op jaarbasis, schat de adviesraad voor Luchtvaartonderzoek in Europa (ACARE).

Maanden vooruit plannen

Paul Chün, Vice President Technology Hub KLM Engineering & Maintenance: “We kunnen met dit concept overwegen om de huidige handmatige onderhoudsplanning, van hooguit enkele weken vooruit, te vervangen door dit automatisch planningsproces waarmee we enkele maanden vooruit kunnen plannen. Het voordeel voor reizigers is duidelijk: minder ongepland onderhoud resulteert in minder vertraging en annulering van vluchten.”

Santos: “Met onze geïntegreerde ReMAP-aanpak hebben we een belangrijke bijdrage geleverd om conditie-gestuurd onderhoud optimaal toe te kunnen passen in de commerciële luchtvaartindustrie. Verder hebben we een open IT-platform ontwikkeld waarmee AI-ontwikkelaars hun prognoses of planningsalgoritmen met een paar klikken kunnen laten draaien op basis van werkelijke operationele gegevens. Dit bevordert de ontwikkeling van innovatieve oplossingen van derden, om van onderhoud met vaste tijdsintervallen snel te gaan naar een echt adaptieve, conditie-gebaseerde onderhoudsbenadering in het gereguleerde luchtvaartdomein.”

Schade aan composiet vliegtuigstructuren opsporen

Naast het onderzoek naar AI-modellen maken ook andere onderzoeken deel uit van ReMAP. Een van deze onderzoeken richt zich op mogelijkheden voor het gebruik van diagnose- en prognose-modellen voor composiet vliegtuigstructuren. Handmatige inspecties van deze structuren is tijdrovend. Zo is schade aan composiet vliegtuigstructuren vaak niet zichtbaar aan het oppervlak. Dit bemoeilijkt het opsporen van beschadigingen.

Binnen het ReMAP-project zijn diagnose- en prognosesystemen ontwikkeld die AI gebruiken voor het in kaart brengen van schade, lokaliseren van schade en bepalen van de ernst van schade. Dit model is twee jaar lang getest door de Faculteit voor Luchtvaart- en Ruimtevaarttechniek van de TU Delft en de Universiteit van Patras (GR). Op basis van deze testperiode is een publieke kennisbank opgezet.

Auteur: Wouter Hoeffnagel
Foto: Free-Photos via Pixabay

Technologie kan personeelstekort in de zorg oplossen

Het personeelstekort in de zorg neemt de komende jaren naar verwachting een flinke vlucht. Naar verwachting komt de zorg in 2032 zo’n 135.000 werknemers tekort. Technologie kan uitkomst bieden. De inzet van bestaande technologie kan tot 110.000 werknemers in de zorg vrijspelen.

Dit meldt Gupta Strategist in een rapport. Het onderzoeksbureau onderzocht in opdracht van ondernemersorganisatie voor de technologische branche FME hoe groot de bijdrage van medische technologie in de zorg kan zijn. De afgelopen decennium lag de nadruk op de betaalbaarheid van ons zorgstelsel als belangrijkste knelpunt. Door onze meer de vergrijzende bevolking speelt het personeelstekort echter een steeds grotere rol. Volgens de laatste arbeidsmarktprognoses loopt het tekort op van 48.600 werknemers in 2022 tot 135.000 stuks in 2031. Het tekort is met name in de ouderen- en ziekenhuiszorg fors. In de twee branches zijn in 2031 naar verwachting zo’n 98.000 medewerkers te weinig.

Bestaande technologie biedt uitkomst

Bestaande medische technologie kan uitkomst bieden, blijkt uit onderzoek van Gupta. Indien deze technologie juist wordt ingezet speelt dit in potentie 110.000 zorgmedewerkers vrij. In het onderzoek is gekeken naar toepassing uit diverse categorieën:

• medische apparatuur en hulpmiddelen
• mobiele communicatie en telehealth
• internet-of-things
• artificial intelligence
• de registratie van informatie.

Op basis van analyses meldt Gupta dat medische technologie in ziekenhuizen het personeelstekort met 46.000 werknemers kan verkleinen. Dit betekent dat het personeelstekort grotendeels kan worden opgelost met behulp van bestaande technologie. De helft van deze potentie schrijft Gupta toe aan de inzet van medische technologie ter preventie van ziekenhuiszorg. De overige potentie komt doordat de technologie de inzet van personeel kan verlichten. Hierdoor zijn minder mensen nodig voor het leveren van dezelfde hoeveelheid zorg.

Ook in de ouderenzorg is de potentie groot, meldt Gupta. Bestaande medische technologie kan het personeelstekort in de ouderenzorg met 64.500 werknemers verkleinen. Hiermee kan zo’n tweederde van het verwachte personeelstekort in de ouderenzorg in 2031 worden opgelost. De potentie ligt hierbij vooral in het verlichten van de inzet van personeel. Hetzelfde personeel kan hierdoor voor meer cliënten zorgen.

Adoptie is gebrekkig

Hoewel de potentie van technologie in het rapport groot blijkt, wijst het rapport tegelijkertijd op een gebrekkige adoptie. Zo ontbrak het onder meer aan urgentiegevoel. Zo is het inhuren van personeel tegen hogere kosten voor het management en bestuur vaak eenvoudiger dan het dusdanig veranderen van zorgprocessen dat medische technologie optimaal wordt ingezet. De relatieve factorprijs van arbeid ligt lager dan die van kapitaal, waardoor organisaties kiezen voor arbeid. Ook is de vraag vanuit patiënten om medische technologie nog beperkt.

Ook is de kennis over zorgtechnologie op alle niveaus beperkt. Van bestuurskamer tot spreekkamer en van Tweede Kamer tot huiskamer weten mensen te weinig over de technologie mogelijkheden, impact hiervan en voorwaarden voor een succesvolle implementatie in zorgprocessen. Het rapport noemt dit kennisgebrek problematisch, aangezien er daardoor geen alternatief handelingsperspectief is. Alles blijft daardoor bij het oude. Ook heeft technologie geen structurele plek in opleidingscurricula. Veel zorgorganisaties willen bewezen technologie daarnaast eerst testen in plaats van direct te implementeren. Daarnaast bestaat angst en wantrouwen rondom technologie onder personeel.

Financiële prikkels beperken adoptie

De implementatie van medische technologie vraagt om investeringen. Deze zijn vanuit organisatieperspectief soms lastig te verantwoorden, meldt Gupta in het rapport. Zo zorgt innovatie er soms voor dat inkomsten wegvallen, terwijl er wel investeringen nodig zijn. Een voorbeeld is telemonitoring of de verschuiving van klinische zorg naar zorg in dagopname. Een gelijk patiëntvolume leidt hierbij tot een lagere omzet doordat het ziekenhuis productie verschuift naar goedkopere DOT’s.

Ook wijst Gupta op de ‘schotten’ in financiering. Als voorbeeld noemt het onderzoeksbureau een situatie waarbij kosten en baten van een innovatie niet op dezelfde plek vallen. Denk hierbij aan betere ondersteuning van ouderen in de wijk, wat intramurale ouderenzorg kan uitstellen of voorkomen. De hiervoor benodigde investeringen vallen binnen Wmo en Zvw, terwijl de baten optreden in de Wlz. Dit maakt het voor zowel een thuiszorgorganisatie als zorgverzekeraar en gemeente financieel niet interessant om te investeren in het voorkomen dat mensen instromen in de Wlz.

De investeringsruimte bij zorgorganisaties is daarnaast beperkt. Tegelijkertijd maakt concurrentie zorgverzekeraars terughoudend in investeringen in medische technologie.

Huidige schaal te klein

Ook is het zorgaanbod soms te gefragmenteerd voor het volledig benutten van de potentie van medische technologie. De schaal is relatief klein, wat het realiseren van een positieve business case bemoeilijkt. Vaak zijn grote patiëntvolumes nodig om innovatieve infrastructuur volledig te benutten. Dit maakt onder meer de kosten per patiënt behapbaar.

Regionale samenwerking kan een manier zijn om samen schaal te creëren zodat oplossing goed kunnen worden geïmplementeerd. Onderlinge concurrentie belemmert zorgorganisaties echter samen schaal te creëren. Als voorbeeld noemt Gupta de wijkverpleging, waar zorgorganisaties de afgelopen jaren beperkt gericht waren op het delen van kennis bij het opschalen van innovaties met het oog op het behoud van het eigen marktaandeel.

Ook vragen proces- en organisatieveranderingen om mensen die deze veranderingen aanjagen, begeleiden en uitdagingen oplossen. Deze mensen zijn weinig beschikbaar binnen zorgorganisaties. Met name in de ouderenzorg speelt dit probleem.

Impasse doorbreken

Alle belanghebbenden kunnen volgens het rapport bijdragen aan het doorbreken van de impasse. “Een integrale blik op de inzet van personeel en inzet van technologie is wenselijk. Het is niet het een of het ander. Pas als partijen de urgentie voelen, zullen ze meer doen om de implementatie van technologie te bevorderen”, schrijft Gupta in het FME-rapport.

“We constateren dat elk van de belanghebbenden opties heeft om de inzet van bestaande technologie te bevorderen. Zorgorganisaties, zorgverzekeraars en zorgkantoren, burgers, overheid en de technologische industrie beschikken allen over instrumenten om binnen het huidige stelsel actief bij te dragen aan de implementatie van technologie in de zorg. Als zij samen optrekken en gelijkgericht handelen, is veel mogelijk.”

Het onderzoeksrapport is hier beschikbaar.

Auteur: Wouter Hoeffnagel
Bron foto: Pixabay / sasint

Algoritme voorspelt problemen bij testen zelfrijdende auto’s

Hoe zelfrijdende voertuigen op de openbare weg moeten worden toegelaten is een onderwerp waarover regelmatig discussie is. Zelfrijdende technologie maakt echter niet alleen het gebruik van auto’s op de openbaar weg anders, maar ook het testen van dergelijke voertuigen. Een nieuw algoritme voorspelt wanneer componenten van een zelfrijdende auto kapot dreigen te gaan. Zo kan het voertuig veilig en gecontroleerd tot stilstand komen.

Het algoritme is ontwikkeld door de Zweedse Technische Universiteit Chalmers. De universiteit wil hiermee bijdragen aan het veilig testen van voertuigen, ook indien geen menselijke bestuurder in het voertuig aanwezig is.

Signalen tijdig herkennen

Het testen van auto’s is op dit moment het werk van testchauffeurs. Een belangrijke vaardigheid van deze chauffeurs is het tijdig kunnen herkennen van signalen die erop wijzen dat een significant onderdeel van het voertuig kapot dreigt te gaan. Zo kunnen testchauffeurs hierop anticiperen, hun voertuig tijdig tot stilstand brengen en ongelukken voorkomen.

Het testen van zelfrijdende voertuigen vindt echter lang niet altijd plaats in de aanwezigheid van een menselijke chauffeur. Het is dan ook van belang dergelijke signalen op een andere manier op te merken. Denk hierbij aan trillingen, afwijkende meetwaarden, oplopende temperaturen en andere factoren.

Op dezelfde plek testen als reguliere voertuigen

Dit is extra van belang aangezien in de toekomst naar verwachting zelfrijdende voertuigen op dezelfde testbanen getest worden als reguliere voertuigen mét bestuurder. Met het oog op de veiligheid van deze bestuurders is het van belang dat problemen met zelfrijdende voertuigen tijdig gedetecteerd worden.

Het onderzoeksproject heet ‘Enablers for testing autonomous vehicles at existing testing grounds’. Het onderzoek brengt de uitdagingen in kaart die ontstaan rondom het testen van voertuigen op bestaande testbanen naarmate auto’s in toenemende mate autonomer worden. Onderzoekers van de Technische Universiteit Chalmers werkten hierbij samen met vrachtwagenfabrikant Volvo en autofabrikant Volvo Cars.

Real-time waarschuwingssysteem

De partijen presenteren nu een geautomatiseerd systeem dat in real-time waarschuwt indien een mechanisch component dat van belang is voor de veiligheid van het voertuig dreigt te falen. “Het probleem ligt in hoe je een voertuig het beste kunt monitoren indien je vantevoren niet weet wat er kapot gaat”, legt Tomas McKelvey, hoofdleraar Signaalverwerking van de faculteit Elektrotechniek van de Technische Universiteit Chalmers, uit.

Zelfrijdende voertuigen op de weg zijn voorzien van allerlei veiligheidssystemen. McKelvey benadrukt dat tijdens het testen van voertuigen echter niet vertrouwd kan worden op systemen waarvan de aanwezigheid op de openbare weg verplicht is. Dit aangezien het testen van voertuigen vaak in vroege fasen van de voertuigontwikkeling plaatsvindt. Dergelijke autonome functies zijn dan nog niet altijd betrouwbaar.

Veranderingen in trillingen

Mensen detecteren problemen onder meer aan de hand van veranderingen in trillingen. Het algoritme gaat op dezelfde wijze te werk. Met behulp van accelerometers op diverse plekken in het voertuig registreert het algoritme de vibraties in de motor en de wijze waarop deze trillingen zich door componenten en de carrosserie verspreiden. “Onze hypothese is dat de aard van de trillingen verandert indien een probleem ontstaat aan boord en dat die veranderingen kunnen worden geregistreerd met behulp van instrumenten”, zegt McKelvey uit.

Trillingen kunnen uiteraard ook door andere factoren veranderen. Bijvoorbeeld door variaties in het wegdek. Een aantal sensoren die bij de wielen zijn geplaatst meet daarom de trillingen die het voertuig ingaan. De overige instrumenten zoeken naar veranderingen in trillingen in het voertuig.

Data verzamelen met testvoertuigen

Bij het ontwikkelen van het algoritme speelde het verzamelen van de juiste gegevens een belangrijke rol. Hiervoor zijn twee testvoertuigen gebruikt: een vrachtwagen en een personenauto. Deze zijn getest op een testbaan van Volvo in Hällered. Hier is ook de AstaZero-testfaciliteit van de Technische Universiteit Chalmers en RISE gevestigd.

Op basis van data die hier is verzameld is een wiskundige omschrijving gecreëerd van hoe de verschillende onderdelen van het voertuig samen bewegen. Op basis van deze gegevens is een model gecreëerd dat de normale situatie omschrijft. Iedere waarde kan hierbij een bepaalde afwijking hebben.

Bewust technische problemen creëren

Vervolgens lieten de onderzoekers de twee testvoertuigen over hetzelfde oppervlakte als eerder rijden. Om het algoritme te testen creëerden zij bewust technische problemen in het voertuig. Het systeem bleek deze problemen vrij eenvoudig te detecteren. Zelfs als het om problemen ging die volgens testchauffeurs zeer moeilijk detecteerbaar zijn.

In een geval merkte het algoritme een probleem niet op. Het ging hierbij om een moer die iets was losgedraaid op de schokdemper van de vrachtwagen. “Dit was echter een probleem dat de testchauffeurs ook niet konden voelen”, aldus McKelvey.

Aard van probleem niet gedetecteerd

Het systeem detecteert op dit moment alleen dat er een probleem is opgetreden. Wat dit probleem is kan het algoritme niet achterhalen. De onderzoekers verwachten dat dit wel ontwikkeld kan worden, maar hadden hiervoor in dit onderzoek onvoldoende tijd beschikbaar. McKelvey: “Vanuit een veiligheidsperspectief is het detecteren dat een probleem optreedt het belangrijkste, zodat het voertuig van de testcircuits gehaald kan worden.”

McKelvey meldt dat er vanuit andere testfaciliteiten veel interesse is in het project. Hij hoopt dat de methode wordt doorontwikkeld tot een internationale standaard voor testcircuits.

Meer informatie over het algoritme is hier beschikbaar.

Auteur: Wouter Hoeffnagel

AI voorspelt beste behandeling voor melanoom

Kunstmatige intelligentie (AI) voorspelt de beste behandeling voor patiënten met melanoom. Het AI-model is ontwikkeld als onderdeel van het Data Science Experience (DSX) project, dat is opgezet door het Isala Ziekenhuis.

“Het is mijn wens om de zorg voor patiënten te verbeteren door gebruik te maken van beschikbare data”, vertelt Richard Brohet, genetisch epidemioloog, statisticus en datascientist bij de Isala Academie. Brohet startte samen met collega’s het DSX project.

“Dat wil ik in eerste instantie doen voor oncologiepatiënten. DSX maakt gebruik van alle medische gegevens in Isala, oftewel Big Data. Met artsen hebben wij overlegd wat voor algoritme met AI (artificial intelligence) wij als eerste wilden ontwikkelen. De keuze viel op melanoom. Samen met internist-oncoloog Jan Willem de Groot ben ik daarom deze pilotstudie gestart.”

Wat is de beste behandeling?

Patiënten met kanker komen voor diverse vraagstukken te staan. Waarom is het ontstaan en wat is de beste behandeling? “Voor oncologiepatiënten zijn die vragen lastig te beantwoorden. Kanker kan ontstaan door verschillende oorzaken, denk aan leefstijl, hormonen, omgeving, genetische afwijkingen, erfelijkheid, of een combinatie van deze factoren. Ook hangt de behandeling van kanker af van persoonlijke, klinische en genetische kenmerken. Omdat iedere tumor en dus iedere patiënt uniek is, willen we een behandeling op maat zodat de overleving beter is en de kans op een behandeling die niet werkt kleiner is. Patiënten met melanoom krijgen naast chemotherapie nu ook doelgerichte therapie of immunotherapie. Dit slaat bij de ene patiënt wel aan, maar bij de andere niet. Hoe kan dat? AI zou enorm kunnen helpen bij het beantwoorden van deze vraag en het leveren van een behandeling op maat. Dat proberen wij nu dus met DSX te doen”, ligt Brohet toe.

Het AI-model dat als onderdeel van het DSX project is ontwikkeld zet gestructureerde en ongestructureerde data in voor analyses. Denk bij gestructureerde data aan geslacht, leeftijd, gewicht en omvang van de tumor. Ongestructureerde data zijn onder meer gegevens die in open tekstvelden worden ingevuld. Denk hierbij aan hoe het met iemand gaat, zijn leefstijl en beroep, en hoe de patiënt omgaat met de ziekte. Het gaat daarbij specifiek om informatie die niet in een afvinklijst past, maar wel van belang is.

Verbanden zien

De Groot: “Door ook die data te gebruiken, kun je zoeken naar wat je niet verwacht en verbanden zien. Ook geeft het ons inzicht in de uitkomsten van de verschillende behandelingen over de tijd. Complexere data kunnen wij op deze manier steeds beter vangen en analyseren en wij kunnen beter zien wat voorspellende factoren zijn.”

Het basis-AI-model dat nu is ontwikkeld voorspelt wat de beste behandeling is voor een patiënt met een melanoom. Wel moet het model nog verder worden gevalideerd. De Groot meldt dat indien hij de gegevens van een bekende patiënt invoert, het model inderdaad de juiste behandeling voorspelt. Het algoritme moet nu groeien, wat de makers willen doen door meer patiënten toe te voegen, ook van andere melanoomcentra. Zo willen zij de voorspellingen verder optimaliseren en zo maatwerk bieden aan patiënten. De Groot: “Er wordt vaak gezocht naar medicijnen die het leven met een paar maanden kunnen rekken. Mijn mening is dat wij beter kunnen investeren in de kwaliteit van leven. Dit kunnen we doen door te leren van de beschikbare data om zo samen met de patiënt te beslissen over de meest passende behandeling.”

Risico op longkanker bepalen

Al langer werken onderzoekers aan AI-modellen die de behandeling van oncologiepatiënten ondersteunt. Zo beoordeelt een AI-algoritme ontwikkeld door onderzoekers van de Radboudumc longknobbels. Het model voorspelt het risico dat deze knobbeltjes uitgroeien tot tumoren. Het in een vroegtijdig stadium detecteren van tumoren vergroot de kans op een succesvolle behandeling en verkleint de kans op sterfte door longkanker. Veel van de kleine knobbeltjes die op CT-scans zichtbaar zijn, zijn echter goedaardig. Deze kunnen met rust worden gelaten, terwijl kwaadaardige knobbels wel moeten worden aangepakt. Het algoritme maakt onderscheid tussen goed- en kwaadaardige knobbels.

Een tweede voorbeeld is een algoritme ontwikkeld door onderzoekers van de Technische Universiteit Eindhoven. Het gaat hierbij om een machine learning-model dat voorspelt of immunotherapie effectief werkt bij een patiënt met kanker. Ons immuunsysteem werkt onder meer om bedreigingen in ons lichaam uit te schakelen, waaronder kanker. Kankercellen kunnen immuuncellen echter uitschakelen, waarmee zij hun vernietiging voorkomen. Immunotherapie kan dit proces in sommige gevallen omdraaien. Het algoritme voorspelt de kans op een succesvolle behandeling met immunotherapie.

Baarmoederkanker bestrijden

Via het onderzoeksproject PRESCRIP-TEC, waarbij onder meer het LUMC betrokken is, werken onderzoekers aan AI die helpt bij het bestrijden van baarmoederkanker. Deze vorm van kanker wordt veroorzaakt door het humaan papillomavirus (HPV). Vrouwen met een chronische HPV-infectie ontwikkelen voorstadia van baarmoederhalskanker. Deze zijn opspoorbaar via screenings. In Nederland zijn screenings via uitstrijkjes gemeengoed. In veel lage- en middeninkomenslanden is de toegang tot gezondheidszorg vaak echter slecht en zijn screenings zeldzaam.

Een zelftest kan uitkomst bieden, waarna een relatief eenvoudig behandeling mogelijk is. Deze zijn echter relatief arbeidsintensief in afgelegen gebieden, terwijl snel ingrijpen juist belangrijk is. Via het PRESCRIP-TEC project werken de onderzoekers aan AI die helpt bij het beoordelen van zelftesten die vrouwen bij zichzelf uitvoeren met een wattenstok. Indien zij HPV hebben en een screening nodig is, helpt AI-technologie gezondheidswerkers bij het herkennen van de verkleuring van de baarmoedermond.

Auteur: Wouter Hoeffnagel
Foto: Gordon Johnson via Pixabay