Av AI Trends Staff
Ser på innsiden og utsiden, blir AI brukt til selvdiagnostisering av biler og på tilkobling av kjøretøyer til trafikkinfrastruktur.
En datavitenskapsmann ved BMW-gruppen i München, mens han jobbet med doktorgraden, opprettet et system for selvdiagnose kalt Automated Damage Assessment Service, ifølge en konto i Mirage. Milan Koch fullførte studiene ved Leiden Institute of Advanced Computer Science i Nederland da han fikk ideen. "Det skal være en fin opplevelse for kundene," sa han.
Systemet samler inn data over tid fra sensorer i forskjellige deler av bilen. "Fra bunnen av har vi utviklet en serviceide som handler om å oppdage ødelagte deler fra ulykker med lav hastighet," uttalte Koch. "Selve bilen er i stand til å oppdage delene som er ødelagte og kan estimere kostnadene og tidspunktet for reparasjonen."
Koch utviklet og sammenlignet forskjellige multivariate tidsseriemetoder, basert på maskinlæring, dyp læring og også moderne moderne automatiserte maskinlæring (AutoML) modeller. Han testet forskjellige nivåer av kompleksitet for å finne den beste måten å løse tidsserieproblemene på. To av AutoML-metodene og hans håndlagde maskinlæringsrørledning viste de beste resultatene.
Systemet kan ha anvendelse på andre multivariate tidsserieproblemer, der flere tidsavhengige variabler må vurderes utenfor bilfeltet. Koch samarbeidet med forskere fra Leiden University Medical Center (LUMC) for å bruke sin håndlagde rørledning til å analysere data fra elektroencefalografi (EEG).
Koch uttalte: 'Vi spådde kognisjon av pasienter basert på EEG-data, fordi det kreves en nøyaktig vurdering av kognitiv funksjon under screeningprosessen for Deep Brain Stimulation (DBS) kirurgi. Pasienter med avansert kognitiv forverring betraktes som suboptimale kandidater for DBS, da kognitiv funksjon kan forverres etter operasjonen. Imidlertid er kognitiv funksjon noen ganger vanskelig å vurdere nøyaktig, og analyse av EEG-mønstre kan gi flere biomarkører. Rørledningen vår for maskinlæring var godt egnet til å bruke dette problemet. ”
Han la til: "Vi utviklet algoritmer for bilindustrien, og i utgangspunktet hadde vi ikke tenkt å bruke det på det medisinske domenet, men det fungerte veldig bra." Modellene hans brukes nå også på elektromyografi (EMG) -data for å skille mellom mennesker med motorisk sykdom og friske mennesker.
Koch har til hensikt å fortsette arbeidet i BMW Group, hvor han vil fokusere på kundeorienterte tjenester, forutsigende vedlikeholdsapplikasjoner og optimalisering av kjøretøydiagnostikk.
DOE-tilskudd til forskningstrafikkstyring forsinker mål om å redusere utslipp
Å få biler til å snakke med trafikkstyringsinfrastrukturen er målet for forskning ved University of Tennesse i Chattanooga, som er tildelt 1.89 millioner dollar fra US Department of Energy for å lage en ny modell for trafikkryss som vil redusere energiforbruket. UTC Center for Urban Informatics and Progress (CUIP) vil utnytte sin eksisterende "smarte korridor" for å imøtekomme den nye forskningen. Den smarte korridoren er en 1.25-mils spenning på en hovedpulsår i sentrum av Chattanooga, brukt som en testseng for forskning på smart byutvikling og tilkoblede kjøretøy i et virkelig miljø.
"Dette prosjektet er en enorm mulighet for oss," uttalte Dr. Mina Sartipi, CUIP-direktør og hovedetterforsker, i en pressemelding. “Det er spennende å samarbeide om et prosjekt som er fremtidsrettet, nytt og fullt av potensial. Dette arbeidet vil bidra til den eksisterende litteraturen og lede vei for fremtidig forskning. ”
UTC samarbeider med University of Pittsburgh, Georgia Institute of Technology, Oak Ridge National Laboratory og City of Chattanooga om prosjektet.
I tilskuddsforslaget til DOE bemerket forskerteamet at den amerikanske transportsektoren sto for mer enn 69 prosent av petroleumsforbruket, og mer enn 37 prosent av landets CO2-utslipp. Et tidligere National Traffic Signal Report Card fant at ineffektive trafikksignaler bidrar til 295 millioner kjøretøys trafikkforsinkelser, noe som utgjør opptil 10 prosent av alle trafikkrelaterte forsinkelser.
Prosjektet har til hensikt å utnytte mulighetene til tilkoblede biler og infrastrukturer for å optimalisere og håndtere trafikkflyten. Mens adaptive trafikkontrollsystemer (ATCS) har vært i bruk i et halvt århundre for å forbedre mobilitet og trafikkeffektivitet, var de ikke designet for å adressere drivstofforbruk og utslipp. Ineffektive trafikksystemer øker tomgangstiden og stopp-og-gå-trafikk. National Transportation Operations Coalition har gradert tilstanden til landets trafikksignaler som D +.
"Det neste trinnet i utviklingen [av intelligente transportsystemer] er sammenslåing av disse systemene gjennom AI," bemerket Aleksandar Stevanovic, lektor i sivil- og miljøteknikk ved Pitts Swanson School of Engineering og direktør for Pittsburgh Intelligent Transportation Systems (PITTS) ) Lab. “Opprettelse av et slikt system, spesielt for tette urbane korridorer og viltvoksende forsteder, kan forbedre energi- og bærekraftpåvirkningen. Dette er kritisk ettersom transportporteføljen vår vil fortsette å være sterkt avhengig av bensindrevne kjøretøy over en stund. ”
Målet med det treårige prosjektet er å utvikle en dynamisk tilbakemelding Ecological Automotive Traffic Control System (Eco-ATCS), som reduserer drivstofforbruk og klimagasser, samtidig som det opprettholder et svært betjenbart og trygt transportmiljø. Integrasjonen av AI vil tillate ytterligere forbedringer av infrastrukturen, inkludert forebygging av utrykningskjøretøy, prioritet for transitt signal og sikkerhet for fotgjengere. Det endelige målet er å redusere drivstofforbruket på korridornivå med 20 prosent.
Les kildeartiklene og informasjonen in Mirage, og i en pressemelding fra UTC Center for Urban Informatics and Progress.
