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.
Hovedmålet med PERTINENCE er å overføre suksessfulle metoder på fysikkbasert læring fra TAPI til forsvarssektoren.
