%’Implementazione delle intuizioni basate su IA per la tecnologia dei flotte
Implementazione delle intuizioni basate su intelligenza artificiale per la tecnologia dei flotte
Nel mondo odierno guidato dalla tecnologia, la gestione della flotta è diventata una parte critica di varie industrie. Che si tratti di monitorare i veicoli, ottimizzare i percorsi o monitorare la salute dei veicoli, gli sviluppatori giocano un ruolo fondamentale nella costruzione di soluzioni per la tecnologia della flotta. In questo articolo, ti guideremo attraverso i passaggi essenziali per creare soluzioni tecnologiche efficaci per la flotta che possono aiutare a razionalizzare le operazioni, aumentare l’efficienza e migliorare la sicurezza.
Prima di entrare nel vivo dell’argomento, diamo uno sguardo al contesto dei veicoli connessi alla flotta perché è la ragione per cui stiamo sviluppando soluzioni innovative di intelligenza artificiale per la flotta.
Il settore delle flotte globali è enorme, con almeno 120 milioni di veicoli attualmente installati e 22 milioni di nuovi veicoli previsti per essere consegnati entro la fine del 2023 in tutto il mondo. E proprio mentre le dimensioni globali delle flotte stanno aumentando, anche il numero di veicoli che utilizzano soluzioni connesse sta crescendo rapidamente.
Attualmente si stima che entro il 2032 ci sarà una crescita del 230% delle dimensioni delle flotte commerciali a livello globale.
- Recensione di AVCLabs Photo Enhancer AI Il Miglior Miglioratore di Foto?
- Costruire e addestrare un modello GAN da zero in Python
- Gil Geron, CEO e Co-fondatore di Orca Security – Serie di Interviste
Vale la pena notare che le tecnologie connesse esistevano in forma di GPS e connettività al cloud in passato e, ai giorni nostri, i telematici delle flotte che utilizzano telecamere, intelligenza artificiale e computer centrali a bordo sono molto richiesti.
Ciò che vediamo per il futuro è un veicolo digitale con una varietà di soluzioni integrate, personalizzabili e sempre più complesse disponibili.
Cosa sta guidando questo cambiamento? Ci sono diversi fattori.
- La crescita nell’uso della tecnologia dell’intelligenza artificiale.
- Il desiderio di migliori interpretrazioni analitiche nelle decisioni.
- L’avanzamento tecnologico che rende le soluzioni più accessibili e, infine, la crescita esplosiva del commercio elettronico.
Molte funzionalità che in passato richiedevano più sistemi di controllo separati possono ora essere gestite tramite un computer centrale a bordo del veicolo. Tra alcune delle possibilità ci sono:
- Visione a 360 gradi, dando al conducente la possibilità di sapere facilmente cosa sta succedendo in e intorno al veicolo e fornendo all’operatore della flotta registri evidenti dopo un incidente
- Navigazione, pianificazione del percorso e ottimizzazione del percorso, il che significa che al conducente possono essere forniti percorsi migliori e ottimizzati, e combinati con la gestione del carico, la spedizione su tutta la flotta e l’ottimizzazione della pianificazione per gli operatori delle flotte, è possibile risparmiare carburante e costi operativi.
- Gestione del carico, consentendo al conducente di visualizzare cosa e quanto è presente nel vano di carico, in che condizioni si trova e dove si trova quando è ora di effettuare le consegne
- Gestione del conducente, attraverso cui i responsabili della flotta possono aiutare a formare il conducente
- Monitoraggio dell’inattività, in modo che i responsabili della flotta possano analizzare i dati e vedere se sono pianificati gli orari più efficienti e per vedere se un veicolo ha troppo tempo di inattività che potrebbe essere utilizzato per altre attività
- Manutenzione predittiva, che significa che i responsabili della flotta e i conducenti hanno una buona visibilità e notifiche del programma di manutenzione di un veicolo. Minimizza anche i guasti imprevisti e le costose riparazioni da appuntamenti mancati
- Gestibilità del dispositivo, in cui la telemetria consente il monitoraggio dello stato del dispositivo, gli aggiornamenti over-the-air e il recupero da un guasto del dispositivo.
Vediamo come possiamo implementare queste funzionalità con Edge Insights for Fleet (EIF).
Edge Insights for Fleet (EIF) e come funziona
Edge Insights for Fleet (EIF) è un framework middleware basato su microservizi configurabile, nativo del cloud e di riferimento, appositamente progettato per l’uso nei veicoli della flotta.
EIF mira ad accelerare il Time-To-Market (TTM) utilizzando contenitori e un framework di analisi ottimizzato combinato con OpenVINO. EIF semplifica la curva di apprendimento per gli sviluppatori con microservizi ben definiti, aggiunge flessibilità per gli integratori di sistemi e accelera l’adozione di nuovi casi d’uso.
Inoltre, il framework consente di sviluppare una soluzione end-to-end con un cruscotto cloud di riferimento e la capacità di gestire un dispositivo o ricevere telemetria specifica del dispositivo, non solo dati dai sensori del veicolo. Tutto ciò può essere fatto creando una piattaforma agnostica che può essere utilizzata in una varietà di veicoli della flotta, geografie o anche configurazioni specifiche del cliente finale.
Edge Insights for Fleet offre una collezione selezionata di componenti pre-integrati strategicamente progettati per razionalizzare la creazione e l’implementazione di soluzioni appositamente studiate per il settore della flotta e dei veicoli commerciali.
L’obiettivo principale di questo pacchetto ruota intorno alla implementazione a bordo del singolo veicolo della flotta, che chiamiamo anche “nodo edge”.
Figura 1: Diagramma di architettura – Visione software flotta
Moduli e servizi
EIF mira a accelerare il TTM utilizzando container e un framework di analisi ottimizzata combinato con OpenVINO. EIF semplifica la curva di apprendimento per gli sviluppatori utilizzando microservizi ben definiti, aggiunge flessibilità per gli integratori di sistema e accelera l’adozione di nuovi casi d’uso.
Inoltre, il framework consente di sviluppare una soluzione end-to-end con un dashboard cloud di riferimento e la possibilità di gestire un dispositivo o ricevere telemetria specifica del dispositivo, non solo dati dai sensori del veicolo. Tutto questo può essere fatto creando una piattaforma agnostica che può essere utilizzata in una varietà di veicoli di flotta, geografie o anche configurazioni di clienti finali.
Caso di utilizzo e Implementazione di riferimento per la gestione della flotta
Per capire meglio come questo framework possa essere utilizzato, esaminiamo alcuni casi di utilizzo/implementazioni di riferimento per la gestione della flotta esistenti.
Sono disponibili molti casi di utilizzo e implementazioni di riferimento che possono darci un punto di partenza rapido nello sviluppo di queste innovative applicazioni per l’industria della flotta; alcuni di essi sono:
- Analisi del comportamento del conducente
- Registrazione degli eventi del veicolo
- Gestione del carico
- Analisi del trasporto pubblico
- Riconoscimento automatico della targa di immatricolazione
- Rilevamento degli indirizzi
- Gestione del dispositivo
- Analisi della zona di lavoro
- Analisi dei segnali stradali
- Gestione degli asset stradali
- Analisi delle macchine agricole
Esploreremo l’analisi del comportamento del conducente e capiremo come può essere implementata.
Implementazione di riferimento per l’analisi del comportamento del conducente
Utilizzando tecnologia avanzata di monitoraggio del comportamento del conducente, le flotte possono ottenere informazioni in tempo reale su come i loro autisti operano i veicoli, riducendo i costi operativi e migliorando la sicurezza.
Funziona utilizzando l’analisi video e modelli di intelligenza artificiale che vengono quindi inviati a un motore di regole personalizzabile dall’integratore di sistema. Ciò permette flessibilità e la possibilità per l’integratore di sistema di definire le azioni richieste dal loro cliente finale.
Puoi facilmente scaricare questa implementazione di riferimento, compreso il codice sorgente, dal Catalogo dei Sviluppatori Intel. È open source; segui la documentazione per gli sviluppatori per il download, l’installazione, la compilazione e l’esecuzione nella guida “Iniziamo”.
Figura 2: Diagramma di architettura – Monitoraggio del comportamento del conducente
I passaggi seguenti vengono eseguiti prima delle azioni:
- I casi d’uso per l’analisi video (come il monitoraggio del conducente) sono confezionati in un “microservizio di ingestione video”, a sua volta confezionato in un container che esegue sia l’ingestione video che l’analisi. I modelli di intelligenza artificiale (aggiunti dall’integratore di sistema o dal venditore di vendita integrato) vengono facilmente distribuiti utilizzando UDF (funzioni definite dall’utente) che consentono agli utenti di plug and play dei modelli di intelligenza artificiale per creare casi d’uso personalizzati come il monitoraggio del conducente.
- Il monitoraggio del conducente utilizza i modelli di intelligenza artificiale (dati biometrici) per individuare i volti e i landmark facciali al fine di determinare se il conducente mostra segni di sonnolenza – ad esempio, il tracciamento degli occhi o la posizione del volto. Il caso d’uso implementa un modello di intelligenza artificiale per stimare la posizione della testa al fine di determinare se il conducente sta guardando altrove rispetto alla strada. Questo è l’output che verrà analizzato.
- Successivamente, l’output di inferenza da parte del servizio di “ingestione video” viene inviato al motore di regole.
- Il motore di regole è un microservizio che consente agli integratori di sistema di definire regole personalizzate in base alle esigenze del loro cliente finale. Si basa sulla loro logica di business e su come desiderano gestire i risultati dell’inferenza. Le regole definite per il monitoraggio del conducente emetteranno diverse azioni a seconda del grado di sonnolenza e distrazione. Questo potrebbe comportare l’emissione di avvisi visivi/cloud o richieste di registrazione per le rilevazioni critiche.
- L’output del motore di regole può quindi essere inviato al “servizio di notifica”, che emetterà la richiesta specifica al servizio appropriato. Ad esempio, gli avvisi cloud possono essere inviati al “connettore cloud” dove possono essere visualizzati nel dashboard di Kibana, o le richieste di registrazione possono essere inviate al microservizio di “registrazione eventi” che registra un video dell’evento rilevato. Il video viene quindi caricato nel cloud dove può essere visualizzato da un operatore di flotta.
Descrizione del modello
- Posa della testa: Stimare la posizione delle teste nel frame video.
- Punti di riferimento facciali: Determinare i landmark facciali delle persone identificate.
- Rilevamento del volto: Rilevare i volti nel frame video.
- Riconoscimento facciale: Riconoscere le persone utilizzando i volti forniti.
Una volta che l’applicazione è completamente configurata e il visualizzatore viene avviato, è possibile visualizzare diversi punti dati, tra cui avvisi, foto del conducente e una mappa che mostra la posizione del veicolo. L’app Visualizer rileverà sbadigli, occhiolino, sonnolenza e stato di distrazione e mostrerà il nome del conducente.
Figura 4: Pannello di controllo di Intel Fleet Manager mostrato in ThingsBoard
Sommario
Edge Insights for Fleet (EIF) risolve la complessità di più casi d’uso simultanei e abbassa le barriere di ingresso. È una soluzione di flotta consolidata che consente la gestione di più casi d’uso da un singolo PC in-vehicle. Le implementazioni di riferimento sui comportamenti dei conducenti implementano i plugin del toolkit OpenVINO™ per la rilevazione e il tracciamento dei comportamenti dei conducenti. È possibile estenderlo ulteriormente per fornire supporto per il flusso dalla rete (telecamera RTSP) e l’algoritmo può essere ottimizzato per prestazioni migliori.
