Érje el a járművön belüli kényelmet személyre szabott gépi tanulás és Amazon SageMaker segítségével

Ezt a blogbejegyzést Rudra Hota és Esaias Pech közösen írták a Continental AG-tól.

Sok sofőrnek volt már olyan tapasztalata, hogy megpróbálta beállítani a hőmérsékletet járművében, miközben megpróbálta az úton tartani a tekintetét. Függetlenül attól, hogy az előző sofőr a kabinban melegebb hőmérsékletet preferált, vagy Ön most melegebb ruhát visel, vagy éppen a nap sütött ki a felhők közül, számos körülmény kellemetlenné teheti a vezetőt, és a jármű hőmérséklet-tárcsájára kényszerítheti a figyelmét. Nem lenne kényelmes, ha járműve fűtési, szellőző- és légkondicionáló rendszere megtanulná az Ön egyéni preferenciáit, és automatikusan elvégezné ezeket a beállításokat?

A Continental AG, egy német multinacionális autóipari technológiai konglomerátum, az autóalkatrészek és -technológiák első osztályú beszállítója, a közelmúltban kezdeményezést indított a gépi tanulási (ML) technológiák által lehetővé tett járműbe épített emberi gép interfész (HMI) képességeinek fejlesztésére, amelyek személyre szabott funkciókat biztosítanak OEM (eredeti berendezésgyártó) autóipari ügyfelei.

Ennek az elképzelésnek az életre keltése érdekében a Continental Automotive Systems az Amazon Machine Learning Solutions Laborral együttműködve olyan személyre szabási algoritmusokat fejleszt ki, amelyek tanulnak a felhasználói viselkedésből, és automatikusan beállítják a hőmérsékletet, hogy a járművezető optimális hőkomfortot érezhessen a járműben. Ez egy kihívást jelentő feladat, mivel az emberek különböző hőmérsékleti preferenciákkal rendelkeznek, és ezek a preferenciák jelentősen eltérhetnek a külső környezeti tényezőktől és a jármű hőmérsékletét befolyásoló többszörös hőterheléstől függően. Az ML Solutions Lab bevonása során kifejlesztett többkontextuális személyre szabási rendszert használja Amazon SageMaker, és ez az első lépés a Continental AG szélesebb körű útján az autós vezetési élmény megváltoztatása felé. Az ML segítségével innovatív fedélzeti személyre szabott funkciókat hoz létre és biztosít a járművezetők számára.

Az adatok feltárása

A megoldás prototípusához a Continental Automotive Systems több órányi valós adatot gyűjtött egy több érzékelővel felszerelt tesztjármű segítségével, amelyek többek között a külső hőmérsékletet, az utastér hőmérsékletét és páratartalmát, valamint a napfényt mérték. Az alanyokat arra kérték, hogy állítsák be a hőmérsékletet, miközben vezették a tesztjárművet, és rögzítsék kényelmi szintjüket egy 7 fokú skálán, ahol a 0 a hőkomfortot, a -3/+3 pedig a nagyon hideget/meleget jelöli. A következő ábra egy példa munkamenetet mutat be kilenc érzékelő méréssel, a hőmérséklet beállításával (hvac_set), és kényelmi állapot (comfort). 

Mivel az alanyokat arra kérték, hogy vizsgálják meg a hőmérsékleti tartományt, nem maradtak sokáig állandósult állapotban. Következésképpen, ha megnézzük a korrelációs mátrixot az összes időpontban az összes munkamenetben, nincs egyértelmű kapcsolat az érzékelő leolvasásai és a beállított hőmérséklet között (hvac_set). A tisztább kapcsolat megismerése érdekében észleltük és kinyertük az állandósult állapotú periódusokat, amelyeket úgy határoztunk meg, mint a hőkomfort időszakait, amelyek során az érzékelők leolvasása bizonyos küszöbértékeken belül stabil. Ezután ezeket az állandósult állapotú periódusokat használtuk a korrelációs diagram regenerálására. Ezáltal a viselt ruha mennyisége (clothing) és felhősség (cloudiness) vagy sötétségi fok (light_voltage) jól korrelált változókként mutatkoznak meg. (Vegye figyelembe, hogy light_voltage valójában a környezeti fény és a fényszórók vezérléséhez szükséges feszültség mértéke, így a magasabb értékek azt jelentik, hogy kint sötétebb van.) Intuitív módon, mint clothing növekszik, a hőmérséklet alacsonyabbra van állítva a kényelem elérése érdekében, és mint cloudiness és a light_voltage növeli a hőmérsékletet magasabbra állítja.

Az alábbi táblázat a beállított hőmérséklet (hvac_set) és az érzékelő leolvasása, minden adatra (balra) és csak az állandósult állapotokra (jobbra).

A következő ábrán az állandósult állapotok érzékelése (alul; érték=1.0) a hőkomfort időszakaiban (fent), és amikor az érzékelő mérései viszonylag stabilak.

Ezt a megállapítást figyelembe véve úgy döntöttünk, hogy a ruházatra és a napsugárzásra (összeomlás) összpontosítunk cloudiness és a light_voltage egyetlen változóba, és az előjelet megfordítva úgy, hogy a magasabb értékek több napfényt jelentsenek) az ML modell elsődleges bemeneti változójaként. Tekintettel arra, hogy ehhez a prototípushoz csak kis mennyiségű valós adatot gyűjtöttünk össze, úgy döntöttünk, hogy először ezt a modellezési megközelítést fejlesztjük egy szimulált környezetben, ahol annyi adatot generálhatunk, amennyit csak akarunk, és robusztusabban értékeljük az egyes modellek előnyeit és hátrányait. megközelítés.

Ehhez az adatfeltáráshoz, valamint a későbbi szakaszokban ismertetett szimulációhoz és modellezéshez a SageMaker-t használtuk. A SageMaker segítségével biztonságosan hozzáférhettünk a megadott adatokhoz Amazon egyszerű tárolási szolgáltatás (Amazon S3), és gyorsan fedezze fel a teljesen felügyelt Jupyter notebookokon belül egy kattintással. Ezután egy előre betöltött adattudományi környezetet használtunk a notebookjainkon belül (amely ML keretrendszerekkel, például PyTorch és MXNet volt kiegészítve) a modell és a szimulátor prototípusának elkészítéséhez és megvalósításához, amelyeket a következő szakaszokban ismertetünk.

A jármű belső hőmérsékleti dinamikájának szimulálása

A szimulátorral az volt a célunk, hogy rögzítsük a hőkomfortot szabályozó kulcsfontosságú változókat és dinamikát. Feltételezésünk az volt, hogy ha a választott modellünk elég kifinomult ahhoz, hogy megtanulja a releváns összefüggéseket ezen a környezetben, akkor a valós adatok valódi összefüggéseit is megismerheti (ez a feltételezés, amelyet a bejegyzés végén található valós kísérletezés igazol. ).

Az általunk kidolgozott szimulációs séma a következő ábrán látható. Lényeges, hogy a gyártáshoz hasonlóan ez egy zárt hurkú rendszer, ahol a hőmérséklet-beállítási viselkedés befolyásolja a kabin hőmérsékletét, ami aztán közvetetten befolyásolja a hőmérséklet-beállítási viselkedést. Mind az exogén tényezők (narancssárga), mind az endogén tényezők (zöld) szerepet játszanak, és az exponenciális időbeli dinamika határozza meg, hogy ezek hogyan befolyásolják az utastér levegőjének hőmérsékletét, a bőrközeli hőmérsékletet és végső soron a beállított hőmérsékletet.

A változók közötti interakciók az idő múlásával összetett és dinamikus rendszert tesznek lehetővé, amelyet munkamenetek generálására használhatunk. Sőt, azt találtuk, hogy rendszerünket a valós munkamenetek utánzására lehet hangolni, ami magabiztosságot ad abban, hogy rögzítettük a releváns változókat és dinamikát. A következő ábrán a szimulátor (szilárd) képes a valós (szaggatott) dinamikát utánozni.

Kontextuális, személyre szabott modell felépítése

Mielőtt hozzáfogtunk volna személyre szabott rendszerünk kiépítéséhez, először megállapítottunk néhány egyre bonyolultabb alapvonalat. A legegyszerűbb alapvonal („nem személyre szabott alapvonal”) az átlagos hőmérséklet-beállítás használata előrejelzésként. Egy kicsit kifinomultabb alapvonal az egy főre jutó átlagos hőmérsékletet használja az adott személyre vonatkozó előrejelzésként („személyre szabott alapvonal”). Végül, van egy képzett alapvonalunk („nem személyre szabott modell”), amely differenciálatlan módon tanul a felhasználói viselkedésből. Megtanulja azokat a helyzeteket, amelyek általában igazak (például minél több ruhát visel a vezető vagy az utas, annál alacsonyabb legyen a hőmérséklet a kényelem eléréséhez), de nem ismeri meg a személyes preferenciákat. Ez a modell új vagy vendég felhasználók számára használható, akik nem rendelkeznek adatokkal.

A személyre szabott rendszer felépítése során a felhasználók közös jellemzőit, valamint a köztük lévő különbségeket szerettük volna kihasználni. E tekintetben kétlépcsős megközelítést alkalmaztunk. Először is betanítottunk egy neurális hálózatot, amely az összes adatot differenciálatlan módon felhasználja. A bemenetek mind az exogén változókat, mind a demográfiai információkat tartalmazták. Másodszor, minden egyes személy számára finomhangoltuk a neurális hálózat végső rétegét, csak az ő adataikat használva.

Amellett, hogy intuitív volt, ez a megközelítés („személyre szabott modell”) felülmúlta az összes alapvonalat, amelyet az előrejelzett és a tényleges hőmérséklet-beállítás közötti átlagos négyzetes hibával (MSE) mértek az állandósult állapotú időszakokban. Ez a megközelítés pontosabb is volt, mint a hasonló beállítások, például a nulláról való edzés személyenként a kezdeti előképzés vagy az összes paraméter finomhangolása nélkül, nem pedig csak az utolsó réteget. Számításilag hatékonyabb volt, mint ezek a megközelítések, mivel személyenként csak a végső rétegeket kell betanítani és tárolni, ahelyett, hogy egy személyenként teljesen különálló modell lenne. Mindkét szakaszban csak az állandósult állapotú periódusokat észleltük és használtuk az edzéshez, mert ezek egyértelműbb összefüggést mutatnak az érzékelők leolvasása és a komfortérzet elérése érdekében beállított hőmérséklet között. A steady-state érzékelés csak szenzoros mérésekkel történt, mivel a kényelmi változó valójában nem lesz elérhető a gyártásban. Kísérleteztünk időbeli sorozatmodellezéssel is a teljes idősor felhasználásával, de azt találtuk, hogy a teljesítmény következetesen rosszabb volt ezzel a megközelítéssel.

A következő táblázat azt mutatja, hogy a személyre szabott modell felülmúlja a szimulált adatok alapvonalait az MSE tekintetében.

Modell	MSE (az alacsonyabb jobb)
Nem személyre szabott alapállapot	9.681
Személyre szabott alapvonal	7.270
Nem személyre szabott modell	1.518
Személyre szabott modell	0.555

A szimulált adatokhoz úgy is értékelhetnénk a modellt, mintha gyártásban lenne, a hőmérséklet kézi szabályozását a modell automatikus vezérlésére (model-as-controller) cserélve. Ezzel a beállítással szimulálhatjuk a munkameneteket az egyes modellekkel, mint vezérlővel, és kiértékelhetjük, hogy a felhasználó milyen gyakran van kényelmes állapotban ezzel az automatikus vezérléssel, ahol az 1.0-s komfortarány azt jelzi, hogy a felhasználó a teljes munkamenet során tökéletesen kényelmesen érzi magát. Az MSE mérőszámhoz hasonlóan a személyre szabott modell jobban teljesít, mint a nem személyre szabott alapvonal (lásd a következő táblázatot). Sőt, a személyre szabott modell felülmúlja a kézi vezérlést, mert az automatizált rendszer azonnal reagál a változó körülményekre, míg a személynek időbe telik, mire reagál.

Modell	Komfort arány (minél magasabb, annál jobb)
Manuális irányítás	. 575
Nem személyre szabott modell	. 531
Személyre szabott modell	. 700

Miután kialakítottuk modellezési megközelítésünket a szimulált adatokon, visszatértünk a valós adatokhoz, hogy megnézzük, meg tudjuk-e verni az alapvonalakat. A korábbiakhoz hasonlóan az összes adatra előzetesen betanítottuk a modellt, majd finomhangoltuk a modell utolsó rétegét a hétnél hosszabb állandósult állapotú résztvevők számára (egy résztvevőt kizártunk, mert ritkán módosította a hőmérséklet beállítását). A személyre szabott modell ismét felülmúlta az alapvonalat (lásd a következő táblázatot), megerősítve azt a következtetést, hogy a személyre szabott modell a legjobb.

Modell	MSE (az alacsonyabb jobb)
Nem személyre szabott alapállapot	60.885
Személyre szabott alapvonal	69.902
Nem személyre szabott modell	24.823
Személyre szabott modell	18.059

Következtetés

Ebben a bejegyzésben bemutattuk, hogyan alkalmazzuk a gépi tanulást a személyre szabott, járművön belüli hőkomfort elérésére. A kifejlesztett szimulációs környezettel különböző modellezési megközelítéseket tudtunk prototípusként elkészíteni és kiértékelni, amelyeket aztán sikeresen alkalmaztunk valós adatokra.

Természetesen ahhoz, hogy ezt a megoldást az éles üzembe helyezésre skálázzuk, több valós adatra van szükség, és a szimulációs környezet segítségével becsléseket készíthetünk a gyűjtéshez szükséges adatmennyiségről. Ezen túlmenően ahhoz, hogy a rendszer végleg működjön, kiegészítő modulokra van szükség a vezető (és más utasok) azonosítására és személyre szabott profiljuk betöltésére, beleértve az egyének ruházati típusának észlelését. Ezeknek a moduloknak saját adat- és ML-folyamatokra lesz szükségük, és a hőkomfort rendszerhez hasonlóan felhő-edge architektúrát is használhatnak, ahol a modellképzési munkaterhelések a felhőben futnak, míg a következtetések és a kisebb frissítések az adatvédelem szélén hajthatók végre. - tartósító mód.

Ez a beállítás – az intelligens, ML-alapú személyre szabási alkalmazásokkal a járműben hibrid felhőn és peremkommunikációs architektúrán keresztül – egy erőteljes paradigma, amely reprodukálható, hogy egyre nagyobb intelligenciát vigyen be az autós vezetési élménybe.

---

A szerzőkről

Joshua Levy Senior Applied Scientist az Amazon Machine Learning Solutions laboratóriumában, ahol segít ügyfeleinek AI/ML megoldások tervezésében és elkészítésében kulcsfontosságú üzleti problémák megoldására.

Yifu Hu Alkalmazott tudós az Amazon Machine Learning Solutions laboratóriumában, ahol kreatív ML megoldások tervezésében segíti az ügyfelek üzleti problémáit a különböző iparágakban.

Shane Rai Sr. ML stratéga az Amazon Machine Learning Solutions Labnál. Az iparágak legkülönbözőbb skáláján dolgozik ügyfeleivel annak érdekében, hogy az AWS felhőalapú mesterséges intelligencia/ML szolgáltatásainak segítségével megoldja legsürgetőbb és leginnovatívabb üzleti igényeiket.

Borisz Aroncsik menedzser az Amazon AI Machine Learning Solutions Labnál, ahol ML tudósokból és mérnökökből álló csapatot vezet, hogy segítse az AWS ügyfeleit az AI/ML megoldások felhasználásával megvalósítani üzleti céljaikat.

Jennifer Zhu az Amazon AI Machine Learning Solutions Lab alkalmazott tudósa. Az AWS ügyfeleivel együttműködve AI/ML-megoldásokat építenek kiemelt üzleti igényeiknek.

Ivan Sosnovik az Amazon Machine Learning Solutions Lab alkalmazott tudósa. ML megoldásokat fejleszt, hogy segítse ügyfeleit üzleti céljaik elérésében.

Rudra N. Hota a Continental Automotive Systems holisztikus mérnöki és technológiai részlegénél mesterséges intelligencia mérnök. A számítógépes látás és a gépi tanulás területén jártas, különböző csapatokkal dolgozik együtt, hogy közösen meghatározza a problémameghatározásokat és feltárja a megfelelő megoldásokat.

Esaias Pech a Continental Engineering Services csoport szoftvermérnöki menedzsere, ahol lehetőséget kap az autóipari OEM-ekkel való együttműködésre a kijelzők, a vezetőfigyelő kamerák és a nagy teljesítményű infotainment számítógépek terén, hogy javítsa a felhasználói élményt a járművek következő generációjában.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://aws.amazon.com/blogs/machine-learning/achieve-in-vehicle-comfort-using-personalized-machine-learning-and-amazon-sagemaker/