WatchEDGE studia un’architettura avanzata di edge-computing che supporta applicazioni basate sull’intelligenza artificiale distribuite su siti geograficamente distanti. Ogni sito (o “isola”) – interconnesso tramite SD-WAN – è dotato di un’infrastruttura di edge-computing che può essere fornita da flotte di droni volanti (FANET), radar intelligenti e telecamere fisse o volanti.
Il progetto – orchestrato in modo da massimizzare l’elaborazione dei dati all’edge – lavora su un caso d’uso di sorveglianza ambientale per l’agricoltura intelligente e la protezione della fauna selvatica, basandosi sull’elaborazione delle immagini basata sull’intelligenza artificiale.
WatchEDGE fa parte dello Spoke 8 – Intelligent and Autonomous Systems
PI di progetto: Guido Maier
I partner hanno inoltre avviato le attività su "Algoritmi e metodi di orchestrazione" (Work Package 2), attualmente in fase di preparazione e prevista per M18. Il deliverable descriverà l'approccio del progetto ai servizi di monitoraggio della fauna selvatica e ai relativi metodi di computer-vision e AI, agli algoritmi di controllo UAV e SD-WAN e all'orchestrazione del continuum far-edge-egde-Cloud.
Anche l'attività del Work Package 3 è iniziata e si è concentrata sulla pianificazione e progettazione del POC. In particolare, WatchEDGE ha avviato un'intensa interazione con il Parco Regionale di San Rossore a Pisa, dove sarà ospitato il POC. Sono in corso le procedure di acquisto delle attrezzature sperimentali da parte di tutti i partner.
WtachEDGE ha inoltre diffuso gli obiettivi del progetto all'interno e all'esterno.
Essi sono contenuti nei due deliverable del progetto:
D.1.1. DESCRIZIONE PRELIMINARE DELL'ARCHITETTURA E DEI REQUISITI DEL SISTEMA. Si possono individuare tre risultati principali:
- Architettura fisica di WatchEDGE
- Sistema di orchestrazione WatchEDGE
- Definizione dei requisiti e delle sfide
D.2.1. PIATTAFORMA E ALGORITMI DI WATCHEDGE: RILASCIO ANTICIPATO DI SOFTWARE E REPOERT
[Consegna prevista per M18 e ancora in fase di preparazione alla data attuale (18/06/24)].
I principali risultati raggiunti in questo deliverable sono i seguenti:
- Algoritmi e tecniche per la gestione della connettività SD-WAN
- Algoritmi e tecniche per i sensori di terra
- Algoritmi e tecniche per la gestione delle FANET e degli UAV
- Algoritmi e soluzioni per l'orchestrazione dei servizi basati sull'intelligenza artificiale.
- Strumenti software: early release (simulatore di rete Watchedge; piattaforma per FaaS decentralizzato, prototipo di orchestratore FANET per l'offloading orizzontale e il bilanciamento del carico).
Questo deliverable è il primo documento che svela i dettagli di implementazione del sistema WatchEDGE. Contiene diversi contributi scientifici originali sui vari aspetti dell'implementazione. Il sistema è un abilitatore che consente di portare l'intelligenza artificiale ai margini, dove può essere applicata a molte funzioni pratiche, come il controllo della fauna selvatica, l'agricoltura intelligente, il controllo degli incendi, ecc.
Alcuni dei risultati sopra menzionati sono stati presentati in due workshop di divulgazione di WatchEDGE, il primo a Catania nel settembre 2023, il secondo a Pisa nel febbraio 2024. Il programma e le presentazioni dei workshop sono disponibili al link riportato di seguito.
I risultati di WatchEDGE sono stati presentati anche alle riunioni plenarie di RESTART a Bari e Bologna e in altre sedi.
Ulteriori dettagli, compresi i programmi e le presentazioni dei workshop di divulgazione, sono disponibili al seguente link.
Fino ad oggi (giugno 2024), i partner di WatchEDGE hanno prodotto più di 20 articoli su riviste e conferenze, keynote, interventi su invito, seminari e tutorial, che sono stati riportati nel progetto. I tre articoli più significativi sono i seguenti:
1) Guido Maier, Antonino Albanese, Michele Ciavotta, Nicola Ciulli, Stefano Giordano, Elisa Giusti, Alfredo Salvatore, Giovanni Schembra, "WatchEDGE: Smart Networking for Distributed AI-Based Environmental Control", Computer Networks, 02/2024 [articolo congiunto].
Documento di sintesi di WatchEDGE redatto congiuntamente da tutti i partner del progetto. Fornisce una panoramica del progetto e degli approcci tecnici che sono stati e saranno seguiti per raggiungere tutti gli obiettivi scientifici. Il documento contiene anche un'ampia discussione sugli scenari applicativi, sui casi d'uso reali e sull'impatto industriale, sociale ed economico previsto dal progetto.
2) Jean Pierre Asdikian, Mengyao Li, Guido Maier, "Performance evaluation of YOLOv8 and YOLOv9 on custom dataset with color space augmentation for Real-time Wildlife detection at the Edge", ENS Workshop, IEEE NetSoft 2024, 06/2024 [POLIMI].
L'articolo presenta un metodo di miglioramento dei set di dati di immagini chiamato aumento dello spazio colore, che consente di simulare diversi scenari di fulmini in ambienti reali. Il metodo è applicato a due modelli di riconoscimento delle immagini basati sul deep-learning (YOLOv8 e YOLOv9). I risultati ottenuti dall'identificazione di immagini di animali selvatici dimostrano che l'accuratezza del rilevamento aumenta grazie agli spazi di colore aumentati rispetto a quelli naturali, poiché la tecnica proposta è in grado di rafforzare la robustezza del modello rispetto ai cambiamenti ambientali. Per quanto riguarda gli aspetti innovativi, l'articolo discute l'implementazione di questi modelli su dispositivi all'avanguardia, come le telecamere a trappola con GPU, dove l'analisi in tempo reale dell'attività della fauna selvatica è fondamentale per gli sforzi di gestione e conservazione.
3) G. M. Cappello, G. Colajanni, P. Daniele, L. Galluccio, C. Grasso, G. Schembra. L. Scrimali, "ODEL: an On-Demand Edge-Learning framework exploiting Flying Ad-hoc NETworks (FANETs)", ACM International Workshop on Recent Trends of Internet of Softwarized Things (IoST-5G&B), co-located with Mobihoc 2023, Washington DC, USA, 23-26 Ottobre 2023
Questo articolo propone ODEL, un framework di Edge-Learning on-demand che utilizza una Flying Ad-hoc NETwork (FANET) per portare in loco strutture di calcolo e di rete per l'edge learning. ODEL si basa su un mercato che impiega un approccio teorico di gioco non cooperativo: Gli UAV sono forniti da diversi fornitori terzi in cambio di un certo guadagno economico. Viene formulato un problema di ottimizzazione non lineare per determinare la distribuzione ottimale dei flussi che massimizza le entrate per ciascun fornitore di UAV, e viene risolto mediante la teoria delle disuguaglianze variazionali (VI)
Per quanto riguarda gli aspetti innovativi, il metodo proposto in questo lavoro permette di superare una limitazione riscontrata in molti scenari applicativi comunemente previsti per il 6G, ovvero l'edge learning non è fattibile né localmente negli oggetti intelligenti, a causa dei loro limiti di calcolo e di energia, né dai server ai margini della rete cablata, perché non connessi con collegamenti sufficientemente potenti. La soluzione proposta favorisce l'edge learning, che porta gli algoritmi di apprendimento automatico ai margini della rete per ottenere una connettività massiccia, una latenza ultrabassa, efficienza energetica, sicurezza e privacy. Questo fornirà alla società sistemi dinamici e programmabili di dispositivi intelligenti interconnessi che interagiscono con un intervento umano minimo o nullo.
L'adozione di un'architettura di calcolo/comunicazione/sensing automatizzata e di una piattaforma di automazione dei servizi può soddisfare diversi casi d'uso facendo leva su:
- orchestrazione multi-tier e gestione delle risorse di CPU, acceleratore hardware, memoria, storage e rete
- disponibilità di tecnologia "volante" (calcolo e sensori), che può essere rapidamente distribuita in luoghi non predisposti
- distribuzione e supporto di dispositivi IoT avanzati (radar, telecamere, sensori intelligenti...)
- algoritmi e tecniche per gestire la connettività in modo efficiente (SD-WAN)
- inclusione di AI "in-platform", strategie di ottimizzazione per l'orchestrazione delle risorse basate su algoritmi di ML
- inclusione dell'AI "in piattaforma", supporto alle applicazioni AI-intensive e ai servizi per gli utenti finali
- soluzioni ottimizzate a diversi livelli, tra cui affidabilità, consumo energetico e prestazioni
- possibile adozione futura di politiche relative ad azioni o contromisure conseguenti al monitoraggio degli eventi.
- Italtel: definizione dell'architettura generale, sviluppo del POC, identificazione delle innovazioni industriali.
- CNIT RaSS: tecnologia radar applicata al monitoraggio della fauna selvatica
- Nextworks: progettazione dell'orchestrazione, prototipazione e test
- Sensor-ID: implementazione di apparecchiature sul campo, progettazione POC
- Politecnico di Milano
- Università di Catania
- Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)
- Italtel S.p.A.
La missione del progetto F1 - WatchEDGE di RESTART è quella di offrire alla comunità rurale un'infrastruttura-as-a-service, in grado di supportare applicazioni di sorveglianza ambientale basate sull'elaborazione di immagini AI e sull'uso di telecamere e sensori intelligenti, sia fissi che montati su UAV.
La comunità di lavoratori e operatori dell'ambiente rurale, come agricoltori, gestori di parchi nazionali, ecc. ha bisogno di proteggere le proprie proprietà da minacce naturali, come animali selvatici, parassiti e malattie delle colture, incendi furiosi. La tecnologia AI è il miglior alleato per controllare efficacemente queste minacce, a patto che la comunità possa contare su una piattaforma potente ed efficiente in grado di supportare l'AI con sufficienti risorse di calcolo e di rete.
WatchEDGE studia un'infrastruttura avanzata di edge-computing distribuita su diversi siti geograficamente distanti. Consente di elaborare i dati grezzi ai margini, mentre le funzioni di calcolo e i modelli addestrati vengono spostati in modo efficiente, grazie al sistema di controllo e orchestrazione SDN di WatchEDGE. Ogni sito è dotato di risorse locali di edge-computing e di rete, tra cui flotte di droni volanti (FANET), mentre la connettività tra i siti è fornita da SD-WAN.
Per maggiori informazioni.
- Expected 20
- Accomplished 13
- Readiness level 1.3
- Expected 30%
- Accomplished 24%
- Readiness level 1.6
- Expected 6
- Accomplished 8
- Readiness level 2.7
- Expected 2
- Accomplished 0
- Readiness level 0
- Expected 36
- Accomplished 22
- Readiness level 1.2
- Expected 1
- Accomplished 0.5
- Readiness level 1
- Expected 4
- Accomplished 1.6
- Readiness level 0.8
- Expected 0
- Accomplished 0
- Readiness level 0
- Expected 100%
- Accomplished 50%
- Readiness level 1.125 This activity will result in the two deliverables D.1.1 (50% achievement) and D.1.2 (50% achievement). As D.1.1 has been released, we assume a 50% accomplishment.
- Expected 100%
- Accomplished 40%
- Readiness level 0.8 This activity will contribute to the two deliverables D.2.1 (50% achievement) and D.2.2 (50% achievement). As D.2.1 is almost finalized, 40% has been accomplished.
- Expected 100%
- Accomplished 40%
- Readiness level 0.8 This activity will contribute to the two deliverables D.2.1 (50% achievement) and D.2.2 (50% achievement). As D.2.1 is almost finalized, 40% has been accomplished.
- Expected 100%
- Accomplished 30%
- Readiness level 0.6 This activity will comprise the acquisition of WatchEDGE lab equipment (40%) and the design and development of a lab testbed (60%). Since some tenders for equipment have been started and some pieces of equipment have been already bought, and a lot of discussion and contacts are ongoing about the POC, the accomplishment is at 30%
- Expected 100%
- Accomplished 0%
- Readiness level 0 NA at this time. This activity will be accomplished in the last months of the project.
- Expected 8
- Accomplished 3
- Readiness level 0.75
- Expected 12
- Accomplished 10
- Readiness level 2.4
- Expected 30%
- Accomplished 24%
- Readiness level 1.6
- Expected 4
- Accomplished 8
- Readiness level 4 Two dissemination workshops have been organized by the project. The project was then presented in invited talks, a keynote speech and some tutorials at relevant international conferences
- Expected 3
- Accomplished 0
- Readiness level 0
- Expected 2
- Accomplished 1
- Readiness level 1 POLIMI has hosted a foreign European student to work on the WatchEDGE project for his master thesis, from February to July, 2023: Noah Ploch, from the Technical University of Munich.
- Expected 100%
- Accomplished 100%
- Readiness level 2
- Expected 100%
- Accomplished 100%
- Readiness level 2
- Expected 100%
- Accomplished 0%
- Readiness level 0
- Expected 100%
- Accomplished 90%
- Readiness level 1.8
- Expected 100%
- Accomplished 0%
- Readiness level 0
- Expected 100%
- Accomplished 0%
- Readiness level 0
Ricercatori coinvolti: circa 140 persone-mese (30 personale permanente dell’università + 50 RTD/PHD dell’università + 60 industria)
Proposte di collaborazione
- WatchEDGE è alla ricerca di possibili collaborazioni con gli utenti finali della soluzione WatchEDGE, quali: parchi naturali, istituzioni agricole, agricoltori, allevatori, ecc.
- WatchEDGE contribuisce alle seguenti RESTART Grand Challenges: Sfida 0 – Creare una visione dell’evoluzione futura dell’ecosistema delle telecomunicazioni in Italia e a livello internazionale; Sfida 7 – Digitalizzare l’ambiente per un mondo sostenibile; Sfida 10 – Rendere la rete una piattaforma per la programmazione e l’esecuzione di applicazioni; Sfida 12 – Rendere l’intelligenza artificiale distribuita e in rete; Sfida 19 – Creare una comunità per il software open source RESTART
- La proposta di WatchEDGE è stata approvata da ASSOProvider con una lettera di interesse.
- Nell’ambito del programma RESTART, WatchEDGE sta cercando di collaborare con i progetti strutturali NETWIN, SUPER e COHERENT e con il progetto mirato LEGGERO.
È possibile avanzare proposte di collaborazione sul progetto contattando il PI di progetto.
WatchEDGE News: