השג נוחות ברכב באמצעות למידת מכונה מותאמת אישית ואמזון SageMaker

פוסט זה בבלוג נכתב בשיתוף Rudra Hota ו-Esaias Pech מחברת Continental AG.

נהגים רבים התנסו בניסיון להתאים את הגדרות הטמפרטורה ברכבם תוך ניסיון לפקוח עיניים על הכביש. בין אם הנהג הקודם העדיף טמפרטורה חמה יותר בתא, או שאתה לובש כעת בגדים חמים יותר, או שהשמש פשוט הגיחה מהעננים, תנאים מרובים עלולים לגרום לנהג לאי נוחות ולאלץ את תשומת ליבו לחיוג הטמפרטורה ברכב. האם לא יהיה נוח אם מערכת החימום, האוורור ומיזוג האוויר (HVAC) של הרכב שלך תוכל ללמוד את ההעדפות האישיות שלך, ולבצע אוטומטית את ההתאמות הללו עבורך?

Continental AG, קונגלומרט טכנולוגיות רכב רב-לאומי גרמני וספקית רמה 1 של חלקי רכב וטכנולוגיה, יצאה לאחרונה ביוזמה לפיתוח יכולות ממשק מכונה אנושית (HMI) בתוך הרכב המתאפשרות על ידי טכנולוגיות למידת מכונה (ML) שיספקו תכונות התאמה אישית עבור לקוחות ה-OEM (יצרן הציוד המקורי) שלה.

כדי לעזור להגשים את החזון הזה, חברת Continental Automotive Systems שיתפה פעולה עם מעבדת Amazon Machine Learning Solutions כדי לפתח אלגוריתמים להתאמה אישית הלומדים מהתנהגות המשתמש ומכוונים אוטומטית את הטמפרטורה כדי שהנהג יחווה נוחות תרמית אופטימלית ברכב. זוהי משימה מאתגרת לביצוע מכיוון שלאנשים יש העדפות תרמיות שונות, והעדפות אלו יכולות גם להשתנות באופן משמעותי בהתאם לגורמים סביבתיים חיצוניים ועומסים תרמיים מרובים המשפיעים על הטמפרטורה של הרכב. מערכת ההתאמה האישית הרב-קונטקסטואלית שפותחה במהלך השימושים במעבדת ML Solutions אמזון SageMaker, ומהווה צעד ראשון במסע רחב יותר של Continental AG לעבר שינוי חווית הנהיגה ברכב באמצעות ML כדי ליצור ולהעביר חבילה חדשנית של תכונות התאמה אישית לנהגים.

חקר הנתונים

כדי אבטיפוס לפתרון זה, Continental Automotive Systems אספה מספר שעות של נתונים מהעולם האמיתי באמצעות רכב מבחן המצויד במספר חיישנים שמדדו, בין היתר, את הטמפרטורה החיצונית, הטמפרטורה והלחות בתא הנוסעים ואור השמש. הנבדקים התבקשו להתאים את הטמפרטורה בזמן שהם נוהגים ברכב המבחן ולתעד את רמת הנוחות שלהם בסולם של 7 נקודות, כאשר 0 מציין נוחות תרמית ו-3/+3 מציין קר/חם מאוד, בהתאמה. האיור הבא מציג הפעלה לדוגמה עם תשע מדידות חיישנים, הגדרת הטמפרטורה (hvac_set), ומצב נוחות (comfort). 

מכיוון שהנבדקים התבקשו לחקור את טווח הטמפרטורות, הם לא נשארו במצב יציב לאורך זמן. כתוצאה מכך, אם נסתכל על מטריצת המתאם על פני כל נקודות הזמן מכל הפגישות, אין קשר ברור בין קריאות החיישן לבין הטמפרטורה שנקבעה (hvac_set). כדי ללמוד קשר נקי יותר, זיהינו וחילצנו את תקופות המצב היציב, המוגדרות כתקופות של נוחות תרמית שבמהלכן קריאות החיישנים יציבות בתוך סף מסוים. לאחר מכן השתמשנו בתקופות של מצב יציב אלה כדי ליצור מחדש את עלילת המתאם. על ידי כך, כמות הבגדים הנלבשים (clothing) ועננות (cloudiness) או מידת החושך (light_voltage) חושפים את עצמם כמשתנים המתואמים היטב. (שים לב ש light_voltage הוא למעשה מדד למתח הנדרש כדי לשלוט באור הסביבה ובפנסים הקדמיים, כך שערכים גבוהים יותר אומרים שבחוץ חשוך יותר.) באופן אינטואיטיבי, כמו clothing עולה, הטמפרטורה מוגדרת נמוך יותר על מנת להשיג נוחות, וכן cloudiness ו light_voltage להגדיל, הטמפרטורה מוגדרת גבוה יותר.

הטבלה הבאה מציגה את המתאם בין הטמפרטורה שנקבעה (hvac_set) וקריאות חיישנים, עבור כל הנתונים (שמאל) ומצבים יציב בלבד (ימין).

באיור הבא, מצבים יציבים מזוהים (תחתון; ערך=1.0) בתקופות של נוחות תרמית (למעלה), וכאשר מדידות החיישנים יציבות יחסית.

בהתחשב בממצא זה, בחרנו להתמקד בלבוש ובעומס השמש (התמוטטות cloudiness ו light_voltage למשתנה בודד, והיפוך הסימן כך שערכים גבוהים יותר פירושם יותר אור שמש) כמשתני הקלט העיקריים למודל ML. בהתחשב בכך שנאספה רק כמות קטנה של נתונים מהעולם האמיתי עבור אב טיפוס זה, החלטנו לפתח תחילה גישת מודלים זו באמצעות סביבה מדומה, שבה נוכל ליצור כמה נתונים שנרצה ולהעריך בצורה חזקה יותר את היתרונות והחסרונות של כל אחד מהם. גִישָׁה.

עבור חקירת הנתונים הזו, כמו גם הסימולציה והמודלים המתוארים בסעיפים מאוחרים יותר, השתמשנו ב- SageMaker. עם SageMaker, נוכל לגשת בצורה מאובטחת לנתונים שסופקו המאוחסנים ב שירות אחסון פשוט של אמזון (Amazon S3) ולחקור אותו במהירות בתוך מחברות Jupyter המנוהלות במלואן באמצעות מופעי מחברת בלחיצה אחת. לאחר מכן, השתמשנו בסביבת מדעי נתונים טעונים מראש בתוך המחברות שלנו (שלמות עם מסגרות ML כמו PyTorch ו-MXNet) כדי לעצב אב-טיפוס וליישם את המודל והסימולטור, המתוארים בסעיפים הבאים.

הדמיית דינמיקה של טמפרטורה ברכב

המטרה שלנו עם הסימולטור הייתה ללכוד את המשתנים והדינמיקה העיקריים השולטים בנוחות תרמית. ההנחה שלנו הייתה שאם המודל הנבחר שלנו היה מתוחכם מספיק כדי ללמוד את הקשרים הרלוונטיים בתוך הסביבה הזו, הוא יכול גם ללמוד את הקשרים האמיתיים בנתוני העולם האמיתי (הנחה שמאומתת על ידי הניסוי בעולם האמיתי בסוף הפוסט ).

סכימת הסימולציה שהמצאנו מוצגת באיור הבא. באופן מכריע, כפי שיהיה במקרה בייצור, זוהי מערכת לולאה סגורה שבה התנהגות התאמת הטמפרטורה משפיעה על טמפרטורת תא הנוסעים, אשר משפיעה לאחר מכן בעקיפין על התנהגות קביעת הטמפרטורה. גם גורמים אקסוגניים (כתומים) וגם גורמים אנדוגניים (ירוק) ממלאים תפקיד, והדינמיקה הטמפורלית המעריכית קובעת כיצד אלה משפיעים על טמפרטורת האוויר בתא, טמפרטורת סמוך לעור, ובסופו של דבר על הטמפרטורה שנקבעה.

האינטראקציות על פני משתנים אלו לאורך זמן מאפשרות מערכת מורכבת ודינמית שבה נוכל להשתמש כדי ליצור הפעלות. יתרה מכך, מצאנו שניתן לכוון את המערכת שלנו כדי לחקות הפעלות בעולם האמיתי, מה שנותן לנו ביטחון שתפסנו את המשתנים והדינמיקה הרלוונטיים. באיור הבא, הסימולטור (מוצק) מסוגל לחקות דינמיקה של העולם האמיתי (מקווקו).

בניית מודל הקשרי, מותאם אישית

לפני שהתחלנו לבנות את מערכת ההתאמה האישית שלנו, קבענו תחילה כמה קווי בסיס של מורכבות הולכת וגוברת. קו הבסיס הפשוט ביותר ("קו בסיס לא מותאם אישית") הוא להשתמש בהגדרת הטמפרטורה הממוצעת כתחזית. קו בסיס קצת יותר מתוחכם משתמש בטמפרטורה הממוצעת לאדם כתחזית עבור אותו אדם ("קו בסיס אישי"). לבסוף, יש לנו קו בסיס מאומן ("מודל לא מותאם אישית") שלומד מהתנהגות המשתמשים בצורה לא מובחנת. הוא לומד על מצבים שהם בדרך כלל נכונים (כגון ככל שנהג או נוסע לובש יותר בגדים, הטמפרטורה צריכה להיות נמוכה יותר כדי להשיג נוחות), אבל לא לומד אף אחת מההעדפות האישיות. מודל זה יכול לשמש עבור משתמשים חדשים או אורחים שאין להם נתונים כלשהם.

בבניית מערכת ההתאמה האישית, רצינו למנף את המשותף בין המשתמשים, כמו גם את ההבדלים ביניהם. בהקשר זה, אימצנו גישה דו-שלבית. ראשית, אימנו רשת עצבית תוך שימוש בכל הנתונים בצורה לא מובחנת. התשומות כללו גם את המשתנים האקסוגניים וגם מידע דמוגרפי. שנית, כוונון עדין את השכבה האחרונה של הרשת העצבית עבור כל אדם, תוך שימוש רק בנתונים שלו.

בנוסף להגיון אינטואיטיבי, גישה זו ("מודל מותאם אישית") עלתה על כל קווי הבסיס, כפי שנמדדה על ידי השגיאה הממוצעת בריבוע (MSE) בין הגדרת הטמפרטורה החזויה והממשית בתקופות המצב היציב. גישה זו הייתה גם מדויקת יותר מהגדרות דומות, כמו אימון מאפס לאדם ללא אימון מקדים ראשוני או כוונון עדין של כל הפרמטרים, ולא רק השכבה הסופית. זה היה יעיל יותר מבחינה חישובית מהגישות האלה, מכיוון שצריך לאמן ולאחסן רק את השכבות הסופיות לאדם, במקום להיות בעל מודל שונה לחלוטין לאדם. עבור שני השלבים, זיהינו והשתמשנו רק בתקופות של מצב יציב לאימון, מכיוון שלאלה יש קשר ברור יותר בין קריאות החיישנים והטמפרטורה שיש להגדיר כדי להשיג נוחות. זיהוי מצב יציב נעשה באמצעות מדידות חיישנים בלבד, מכיוון שמשתנה הנוחות לא יהיה זמין בפועל בייצור. ניסינו גם מודלים של רצף זמני תוך שימוש בכל סדרת הזמן, אך גילינו שהביצועים היו גרועים יותר באופן עקבי עם גישה זו.

הטבלה הבאה מציגה את המודל המותאם אישית מנצח את קווי הבסיס על נתונים מדומים, במונחים של MSE.

מספר סימוכין	MSE (נמוך יותר עדיף)
קו בסיס לא מותאם אישית	9.681
קו בסיס מותאם אישית	7.270
דגם לא מותאם אישית	1.518
דגם מותאם אישית	0.555

עבור הנתונים המדומים, נוכל גם להעריך את הדגם כאילו הוא בייצור, על ידי החלפת השליטה הידנית של הטמפרטורה בשליטה האוטומטית של הדגם (דגם-as-controller). עם הגדרה זו, אנו יכולים לדמות הפעלות עם כל דגם כבקר ולהעריך באיזו תדירות המשתמש נמצא במצב נוח עם השליטה האוטומטית הזו, כאשר יחס נוחות של 1.0 מצביע על כך שהמשתמש נוח לחלוטין לאורך כל הפגישה. בדומה למדד MSE, המודל המותאם מתעלה על קו הבסיס הלא-מותאם אישית (ראה את הטבלה הבאה). יתרה מכך, הדגם המותאם אישית מתעלה על שליטה ידנית, מכיוון שהמערכת האוטומטית מגיבה מיד לתנאים משתנים, בעוד שלפרסונה לוקח קצת זמן להגיב.

מספר סימוכין	יחס נוחות (גבוה יותר זה יותר טוב)
שליטה ידנית	. 575
דגם לא מותאם אישית	. 531
דגם מותאם אישית	. 700

לאחר שביססנו את גישת המודלים שלנו על הנתונים המדומים, חזרנו לנתוני העולם האמיתי כדי לראות אם נוכל לנצח את קווי הבסיס. כמו קודם, הכשרנו מראש את המודל על כל הנתונים ולאחר מכן כיוונו עדין את השכבה האחרונה של המודל עבור שני המשתתפים עם יותר משבע תקופות של מצב יציב (משתתף אחד לא נכלל מכיוון שהם רק לעתים רחוקות התאימו את הגדרת הטמפרטורה). שוב, המודל המותאם גבר על קווי הבסיס (ראה את הטבלה הבאה), ומחזק את המסקנה שהמודל המותאם אישית הוא הטוב ביותר.

מספר סימוכין	MSE (נמוך יותר עדיף)
קו בסיס לא מותאם אישית	60.885
קו בסיס מותאם אישית	69.902
דגם לא מותאם אישית	24.823
דגם מותאם אישית	18.059

סיכום

בפוסט זה, הדגמנו כיצד ליישם למידת מכונה כדי להשיג נוחות תרמית מותאמת אישית ברכב. עם סביבת הסימולציה שפותחה, הצלחנו ליצור אב טיפוס ולהעריך גישות דוגמנות שונות, אשר יושמו בהצלחה על נתונים מהעולם האמיתי.

באופן טבעי, כדי להרחיב את הפתרון הזה להפצת ייצור, יש צורך בנתונים נוספים בעולם האמיתי, ונוכל להשתמש בסביבת הסימולציה כדי ליצור הערכות לגבי כמות הנתונים הדרושה לאיסוף. בנוסף, כדי שהמערכת תפעל מקצה לקצה, דרושים מודולים נלווים לזיהוי הנהג (ונוסעים אחרים) וטעינת הפרופילים האישיים שלהם, כולל זיהוי סוג הלבוש על הפרטים. מודולים אלה ידרשו נתונים וצינורות ML משלהם, וכמו מערכת הנוחות התרמית, הם יכולים להשתמש בארכיטקטורת קצה ענן, שבה עומסי עבודה של אימון מודלים מופעלים בענן, בעוד שהסק ועדכונים קלים יכולים להתבצע בקצה בפרטיות -דרך שימור.

ההגדרה הזו - עם יישומי התאמה אישית חכמים המופעלים על ידי ML ​​המסופקים בתוך הרכב באמצעות ארכיטקטורת תקשורת ענן היברידית וארכיטקטורת תקשורת קצה - היא פרדיגמה רבת עוצמה, שניתן לשכפל כדי להביא אינטליגנציה הולכת וגוברת בקנה מידה לחוויית הנהיגה ברכב.

---

על הכותבים

יהושע לוי הוא מדען יישומי בכיר במעבדת Amazon Machine Learning Solutions, שם הוא עוזר ללקוחות לתכנן ולבנות פתרונות AI/ML לפתרון בעיות עסקיות מרכזיות.

ייפו הו הוא מדען יישומי במעבדה של Amazon Machine Learning Solutions, שם הוא עוזר לעצב פתרונות ML יצירתיים לטיפול בבעיות עסקיות של לקוחות בתעשיות שונות.

שיין ראי הוא אסטרטג Sr. ML במעבדת פתרונות למידת מכונה של אמזון. הוא עובד עם לקוחות על פני קשת מגוונת של תעשיות כדי לפתור את הצרכים העסקיים הדחופים והחדשניים ביותר שלהם תוך שימוש במגוון רחב של שירותי AI/ML מבוססי ענן של AWS.

בוריס ארונצ'יק הוא מנהל במעבדת פתרונות למידת מכונה בינה מלאכותית של אמזון, שם הוא מוביל צוות של מדעני ומהנדסי ML כדי לעזור ללקוחות AWS לממש יעדים עסקיים תוך מינוף פתרונות AI/ML.

ג'ניפר ז'ו הוא מדען יישומי ממעבדת פתרונות למידת מכונה של אמזון בינה מלאכותית. היא עובדת עם הלקוחות של AWS כדי לבנות פתרונות AI/ML לצרכיהם העסקיים בעדיפות גבוהה.

איבן סוסנוביק הוא מדען יישומי במעבדת פתרונות למידת מכונה של אמזון. הוא מפתח פתרונות ML כדי לעזור ללקוחות להשיג את יעדיהם העסקיים.

רודרה נ' חוטה הוא מהנדס בינה מלאכותית בהנדסה הוליסטית וטכנולוגיות ב-Continental Automotive Systems. עם מומחיות בתחום ראיית מחשב ולמידת מכונה, הוא עובד עם צוותים מגוונים כדי להגדיר בשיתוף פעולה הצהרות בעיות ולחקור פתרונות מתאימים.

ישעיה פץ הוא מנהל הנדסת תוכנה בקבוצת שירותי הנדסה קונטיננטלית, שם הוא מקבל את ההזדמנות לעבוד עם יצרני ציוד מקורי לרכב על צגים, מצלמות ניטור נהגים ומחשבים בעלי ביצועים גבוהים של מידע ובידור כדי לשפר את חווית המשתמש בדור הבא של כלי רכב.

• Coinsmart. בורסת הביטקוין והקריפטו הטובה באירופה.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה חופשית.
• CryptoHawk. רדאר אלטקוין. ניסיון חינם.
• מקור: https://aws.amazon.com/blogs/machine-learning/achieve-in-vehicle-comfort-using-personalized-machine-learning-and-amazon-sagemaker/