Saavuta mukavuus ajoneuvossa personoidun koneoppimisen ja Amazon SageMakerin avulla

Tämän blogiviestin ovat kirjoittaneet Rudra Hota ja Esaias Pech Continental AG:sta.

Monet kuljettajat ovat kokeneet yrittäessään säätää ajoneuvonsa lämpötila-asetuksia yrittäessään pitää katseensa tiellä. Olipa edellinen kuljettaja halunnut lämpimämpää matkustamon lämpötilaa, sinulla on nyt lämpimät vaatteet päällä tai aurinko paistoi juuri pilvistä, useat olosuhteet voivat tehdä kuljettajan epämukavaksi ja pakottaa hänen huomionsa ajoneuvon lämpötilan säätimeen. Eikö olisi kätevää, jos ajoneuvosi lämmitys-, ilmanvaihto- ja ilmastointijärjestelmä (HVAC) oppisi yksilölliset mieltymyksesi ja tekisi nämä säädöt automaattisesti puolestasi?

Continental AG, saksalainen monikansallinen autoteollisuuden teknologiakonserni ja autoteollisuuden osien ja teknologian ykköstason toimittaja, aloitti äskettäin aloitteen kehittääkseen koneoppimistekniikoiden mahdollistamia HMI-ominaisuuksia, jotka tarjoavat personointiominaisuuksia sen OEM- (alkuperäisten laitteiden valmistaja) autoasiakkaat.

Tämän vision toteuttamiseksi Continental Automotive Systems teki yhteistyötä Amazon Machine Learning Solutions Labin kanssa kehittääkseen personointialgoritmeja, jotka oppivat käyttäjien käyttäytymisestä ja säätävät automaattisesti lämpötilaa, jotta kuljettaja kokee optimaalisen ajoneuvon lämpömukavuuden. Tämä on haastava tehtävä, koska ihmisillä on erilaiset lämpömieltymykset, ja nämä mieltymykset voivat myös vaihdella merkittävästi riippuen ulkoisista ympäristötekijöistä ja useista ajoneuvon lämpötilaan vaikuttavista lämpökuormista. ML Solutions Labin sitouttamiskäytön aikana kehitetty monikontekstinen personointijärjestelmä Amazon Sage Maker, ja se on ensimmäinen askel Continental AG:n laajemmalle matkalle kohti autojen ajokokemuksen muuttamista käyttämällä ML:ää luomaan ja toimittamaan kuljettajien innovatiivisia personointiominaisuuksia.

Tutkitaan tietoja

Tämän ratkaisun prototyyppiä varten Continental Automotive Systems keräsi useita tunteja todellista dataa käyttämällä testiajoneuvoa, joka oli varustettu useilla antureilla, jotka mittasivat muun muassa ulkolämpötilaa, matkustamon lämpötilaa ja kosteutta sekä auringonvaloa. Koehenkilöitä pyydettiin säätämään lämpötilaa heidän ajaessaan testiajoneuvoa ja kirjaamaan mukavuustasonsa 7 pisteen asteikolla, jossa 0 tarkoittaa lämpömukavuutta ja -3/+3 erittäin kylmää/kuumaa. Seuraavassa kuvassa on esimerkkiistunto, jossa on yhdeksän anturin mittausta, lämpötila-asetus (hvac_set), ja mukavuustila (comfort). 

Koska koehenkilöitä pyydettiin tutkimaan lämpötila-aluetta, he eivät pysyneet vakaassa tilassa kauan. Näin ollen, jos tarkastelemme korrelaatiomatriisia kaikkien istuntojen kaikkien aikapisteiden välillä, anturin lukemien ja asetetun lämpötilan välillä ei ole selvää yhteyttä (hvac_set). Puhtaamman suhteen oppimiseksi havaitsimme ja erotimme vakaan tilan jaksot, jotka määritellään lämpömukavuuden jaksoiksi, joiden aikana anturin lukemat ovat vakaita jonkin kynnyksen sisällä. Käytimme sitten näitä vakaan tilan jaksoja korrelaatiokaavion regeneroimiseen. Näin tehdessäsi käytettyjen vaatteiden määrä (clothing) ja pilvisyys (cloudiness) tai pimeyden aste (light_voltage) paljastavat itsensä hyvin korreloituvina muuttujina. (Ota huomioon, että light_voltage on itse asiassa ympäristön valon ja ajovalojen ohjaamiseen tarvittavan jännitteen mitta, joten korkeammat arvot tarkoittavat, että ulkona on pimeämpää.) Intuitiivisesti, kuten clothing nousee, lämpötila asetetaan alhaisemmaksi mukavuuden saavuttamiseksi ja kuten cloudiness ja light_voltage nostaa, lämpötila asetetaan korkeammaksi.

Seuraava taulukko näyttää korrelaation asetetun lämpötilan (hvac_set) ja anturin lukemat kaikille tiedoille (vasemmalla) ja vain vakaassa tilassa (oikealla).

Seuraavassa kuvassa havaitaan vakaat tilat (alhaalla; arvo = 1.0) lämpömukavuusjaksojen aikana (ylhäällä) ja kun anturin mittaukset ovat suhteellisen vakaita.

Tämän havainnon perusteella päätimme keskittyä vaatteisiin ja aurinkokuormitukseen (romahtaminen cloudiness ja light_voltage yhdeksi muuttujaksi ja käänteinen etumerkki siten, että korkeammat arvot tarkoittavat enemmän auringonvaloa) ML-mallin ensisijaisena syöttömuuttujana. Koska tätä prototyyppiä varten kerättiin vain pieni määrä todellista dataa, päätimme ensin kehittää tämän mallinnusmenetelmän käyttämällä simuloitua ympäristöä, jossa voimme tuottaa niin paljon dataa kuin haluamme ja arvioida tehokkaammin kunkin mallin edut ja haitat. lähestyä.

Tätä tietojen tutkimista sekä myöhemmissä osioissa kuvattua simulointia ja mallintamista varten käytimme SageMakeria. SageMakerin avulla voimme turvallisesti käyttää toimitettuja tietoja, jotka on tallennettu Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ja tutkia sitä nopeasti täysin hallituissa Jupyter-kannettavissa yhdellä napsautuksella. Seuraavaksi käytimme muistikirjoissamme esiladattua datatieteen ympäristöä (täydellinen ML-kehyksillä, kuten PyTorch ja MXNet) mallin ja simulaattorin prototyyppiin ja toteuttamiseen, jotka kuvataan seuraavissa osissa.

Simuloi ajoneuvon sisäistä lämpötiladynamiikkaa

Tavoitteenamme simulaattorilla oli vangita lämpömukavuutta säätelevät keskeiset muuttujat ja dynamiikka. Oletuksemme oli, että jos valitsemamme mallimme oli riittävän kehittynyt oppimaan asiaankuuluvat suhteet tässä ympäristössä, se voisi myös oppia todelliset suhteet todellisen maailman datassa (oletus, joka vahvistetaan julkaisun lopussa tehdyllä reaalimaailman kokeilulla ).

Suunnittelemamme simulaatiokaavio on kuvattu seuraavassa kuvassa. Ratkaisevaa, kuten tuotannossa tulee olemaan, tämä on suljetun silmukan järjestelmä, jossa lämpötilan säätökäyttäytyminen vaikuttaa ohjaamon lämpötilaan, joka sitten vaikuttaa epäsuorasti lämpötilan säätökäyttäytymiseen. Sekä eksogeeniset tekijät (oranssi) että endogeeniset tekijät (vihreä) vaikuttavat, ja eksponentiaalinen ajallinen dynamiikka määrää, kuinka nämä vaikuttavat matkustamon ilman lämpötilaan, ihon lähellä olevaan lämpötilaan ja viime kädessä asetettuun lämpötilaan.

Näiden muuttujien välinen vuorovaikutus ajan myötä mahdollistaa monimutkaisen ja dynaamisen järjestelmän, jota voimme käyttää istuntojen luomiseen. Lisäksi havaitsimme, että järjestelmämme voidaan virittää jäljittelemään todellisia istuntoja, mikä antaa meille varmuutta siitä, että olemme tallentaneet asiaankuuluvat muuttujat ja dynamiikan. Seuraavassa kuvassa simulaattori (kiinteä) pystyy jäljittelemään todellista (katkoviiva) dynamiikkaa.

Kontekstuaalisen, henkilökohtaisen mallin rakentaminen

Ennen kuin ryhdyimme rakentamaan personointijärjestelmäämme, loimme ensin joitain monimutkaisempia lähtökohtia. Yksinkertaisin perustaso ("personoimaton perustaso") on käyttää keskilämpötila-asetusta ennusteena. Hieman kehittyneempi lähtötaso käyttää keskilämpötilaa henkilöä kohden kyseisen henkilön ennusteena ("personoitu lähtötaso"). Lopuksi meillä on koulutettu perusmalli ("ei-personoimaton malli"), joka oppii käyttäjien käyttäytymisestä erottumattomalla tavalla. Se oppii tilanteista, jotka ovat yleensä totta (kuten mitä enemmän vaatteita kuljettajalla tai matkustajalla on yllään, sitä alhaisempi lämpötilan tulisi olla mukavuuden saavuttamiseksi), mutta ei opi mitään henkilökohtaisista mieltymyksistä. Tätä mallia voidaan käyttää uusille tai vieraileville käyttäjille, joilla ei ole tietoja.

Räätälöintijärjestelmää rakentaessamme halusimme hyödyntää käyttäjien välisiä yhteisiä piirteitä sekä niiden välisiä eroja. Tältä osin omaksuimme kaksivaiheisen lähestymistavan. Ensin koulutimme hermoverkkoa käyttämällä kaikkea dataa eriyttämättömällä tavalla. Syötteet sisälsivät sekä eksogeeniset muuttujat että demografiset tiedot. Toiseksi hienosäädimme hermoverkon viimeisen kerroksen jokaiselle henkilölle käyttämällä vain hänen tietojaan.

Sen lisäksi, että tämä lähestymistapa ("personoitu malli") oli intuitiivisesti järkevä, se ylitti kaikki perusviivat mitattuna ennustetun ja todellisen lämpötila-asetuksen välisellä keskimääräisellä neliövirheellä (MSE) vakaan tilan jaksoilla. Tämä lähestymistapa oli myös tarkempi kuin vastaavat asetukset, kuten harjoittelu tyhjästä per henkilö ilman alustavaa esikoulutusta tai kaikkien parametrien hienosäätöä, eikä vain viimeistä kerrosta. Se oli laskennallisesti tehokkaampi kuin nämä lähestymistavat, koska vain viimeiset kerrokset on koulutettava ja tallennettava henkilöä kohti sen sijaan, että olisi olemassa täysin erillinen malli henkilöä kohti. Molemmissa vaiheissa havaitsimme ja käytimme harjoittelussa vain vakaan tilan jaksoja, koska niillä on selkeämpi suhde anturin lukemien ja mukavuuden saavuttamiseksi asetettavan lämpötilan välillä. Vakaa tilan ilmaisu tehtiin pelkillä anturimittauksilla, koska mukavuusmuuttuja ei varsinaisesti ole tuotannossa saatavilla. Kokeilimme myös ajallista sekvenssimallinnusta käyttämällä koko aikasarjaa, mutta havaitsimme, että suorituskyky oli jatkuvasti huonompi tällä lähestymistavalla.

Seuraavassa taulukossa näkyy, että henkilökohtainen malli päihittää simuloidun datan perusviivat MSE:n suhteen.

Malli	MSE (alempi on parempi)
Personoimaton lähtötaso	9.681
Henkilökohtainen lähtötaso	7.270
Personoimaton malli	1.518
Henkilökohtainen malli	0.555

Simuloiduille tiedoille voisimme myös arvioida mallin ikään kuin se olisi tuotannossa, korvaamalla lämpötilan manuaalinen ohjaus mallin automaattisella ohjauksella (model-as-controller). Tällä asetuksella voimme simuloida istuntoja kullakin mallilla ohjaimena ja arvioida kuinka usein käyttäjä on mukavassa tilassa tällä automaattisella ohjauksella, jossa mukavuussuhde 1.0 osoittaa, että käyttäjä on täysin mukava koko istunnon ajan. Kuten MSE-metriikassa, myös henkilökohtainen malli on parempi kuin personoimaton perusviiva (katso seuraava taulukko). Lisäksi personoitu malli ylittää manuaalisen ohjauksen, koska automatisoitu järjestelmä reagoi välittömästi muuttuviin olosuhteisiin, kun taas henkilöllä kestää jonkin aikaa reagoida.

Malli	Mukavuussuhde (korkeampi on parempi)
Manuaalinen ohjaus	.575
Personoimaton malli	.531
Henkilökohtainen malli	.700

Perustettuamme mallinnuksemme simuloiduille tiedoille, palasimme todelliseen dataan nähdäksemme, pystyisimmekö ylittämään perusviivat. Kuten ennenkin, esiopetimme mallin kaikille tiedoille ja hienosääsimme sitten mallin viimeistä kerrosta kahdelle osallistujalle, joilla oli yli seitsemän vakaan tilan jaksoa (yksi osallistuja suljettiin pois, koska he harvoin säätelivät lämpötila-asetusta). Jälleen kerran henkilökohtainen malli päihitti perusviivat (katso seuraava taulukko), mikä vahvistaa johtopäätöstä, että personoitu malli on paras.

Malli	MSE (alempi on parempi)
Personoimaton lähtötaso	60.885
Henkilökohtainen lähtötaso	69.902
Personoimaton malli	24.823
Henkilökohtainen malli	18.059

Yhteenveto

Tässä viestissä osoitimme, kuinka koneoppimista voidaan soveltaa yksilöllisen ajoneuvon lämpömukavuuden saavuttamiseksi. Kehitetyn simulointiympäristön avulla pystyimme prototyyppien laatimaan ja arvioimaan erilaisia ​​mallinnusmenetelmiä, joita sitten sovellettiin menestyksekkäästi todelliseen dataan.

Luonnollisesti tämän ratkaisun skaalaamiseksi tuotannon käyttöönottoon tarvitaan enemmän reaalimaailman dataa, ja voimme käyttää simulaatioympäristöä arvioiden keräämiseen tarvittavan datan määrästä. Lisäksi, jotta järjestelmä toimisi päästä päähän, tarvitaan lisämoduuleja kuljettajan (ja muiden matkustajien) tunnistamiseksi ja heidän henkilökohtaisten profiiliensa lataamiseksi, mukaan lukien henkilöiden vaatteiden tyypin havaitseminen. Nämä moduulit vaativat omat data- ja ML-putkistonsa ja, kuten lämpömukavuusjärjestelmä, voivat käyttää pilven reuna-arkkitehtuuria, jossa mallin koulutustyökuormat ajetaan pilvessä, kun taas päättelyt ja pienet päivitykset voidaan tehdä reunalla yksityisyyden suojassa. -säilöntätapa.

Tämä kokoonpano – älykkäät, ML-käyttöiset personointisovellukset, jotka toimitetaan ajoneuvoon hybridipilvi- ja reunaviestintäarkkitehtuurin kautta – on tehokas paradigma, joka voidaan toistaa tuomaan jatkuvasti kasvavaa älykkyyttä mittakaavassa autojen ajokokemukseen.

---

Tietoja Tekijät

Joshua Levy on vanhempi soveltuva tutkija Amazon Machine Learning Solutions -laboratoriossa, jossa hän auttaa asiakkaita suunnittelemaan ja rakentamaan AI/ML-ratkaisuja keskeisten liiketoimintaongelmien ratkaisemiseksi.

Yifu Hu on soveltuva tutkija Amazon Machine Learning Solutions -laboratoriossa, jossa hän auttaa suunnittelemaan luovia ML-ratkaisuja asiakkaiden liiketoimintaongelmiin eri aloilla.

Shane Rai on vanhempi ML-strategi Amazon Machine Learning Solutions Labissa. Hän työskentelee asiakkaiden kanssa eri toimialoilla ratkaistakseen heidän kiireellisimmät ja innovatiivisimmat liiketoimintatarpeensa AWS:n pilvipohjaisten AI/ML-palvelujen avulla.

Boris Aronchik on johtaja Amazon AI Machine Learning Solutions Labissa, jossa hän johtaa ML-tieteilijöiden ja -insinöörien tiimiä auttaakseen AWS-asiakkaita saavuttamaan liiketoimintatavoitteensa hyödyntäen AI/ML-ratkaisuja.

Jennifer Zhu on soveltuva tutkija Amazon AI Machine Learning Solutions Labista. Hän työskentelee AWS:n asiakkaiden kanssa rakentaakseen AI/ML-ratkaisuja heidän tärkeimpiin liiketoimintatarpeisiinsa.

Ivan Sosnovik on soveltuva tutkija Amazon Machine Learning Solutions Labissa. Hän kehittää ML-ratkaisuja auttaakseen asiakkaita saavuttamaan liiketoimintatavoitteensa.

Rudra N. Hota on tekoälyn insinööri Continental Automotive Systemsin holistic Engineering and Technologies -osastolla. Hänellä on tietokonenäön ja koneoppimisen alan asiantuntemusta, ja hän työskentelee erilaisten tiimien kanssa määrittääkseen yhdessä ongelmalauseita ja etsiäkseen sopivia ratkaisuja.

Esaias Pech on ohjelmistosuunnittelupäällikkö Continental Engineering Services -ryhmässä, jossa hän saa mahdollisuuden työskennellä autoteollisuuden OEM-valmistajien kanssa näytöissä, kuljettajan valvontakameroissa ja tieto- ja viihdejärjestelmissä parantaakseen käyttökokemusta seuraavan sukupolven ajoneuvoissa.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/achieve-in-vehicle-comfort-using-personalized-machine-learning-and-amazon-sagemaker/