Внедрение технологии Edge Insights, управляемой искусственным интеллектом, для автомобильного флота
Применение технологии Edge Insights, управляемой искусственным интеллектом, в автомобильном флоте
В сегодняшнем технологически ориентированном мире управление парком транспортных средств стало критической частью различных отраслей. Будь то контроль над транспортными средствами, оптимизация маршрутов или мониторинг состояния транспортных средств, разработчики играют решающую роль в создании решений для парка транспортных средств. В этой статье мы расскажем вам о необходимых шагах по созданию эффективных решений для технологий управления парком, которые могут помочь оптимизировать операции, повысить эффективность и обеспечить безопасность.
Прежде чем мы начнем, давайте рассмотрим фон связанных транспортных средств, потому что это и есть причина разработки инновационных AI-решений для парка транспортных средств.
Мировая автопарковая отрасль огромна, в настоящее время установлено как минимум 120 млн. транспортных средств, и к концу 2023 года ожидается отправка 22 млн. новых транспортных средств по всему миру. И как мировые парки транспортных средств продолжают расширяться, быстро растет и количество транспортных средств, использующих связанные решения.
Сейчас прогнозируется, что к 2032 году объем коммерческого автопарка в мире увеличится на 230%.
- Пришло время определить уровни автономности для цифровых работников и ИИ-агентов, аналогично самоуправляемым транспортным средствам IDWA начинает процесс.
- Стабильность нового предстоящего инструмента AI, использующего искусственный интеллект для генерации 3D-моделей
- Топ-8 компаний, которые стоит следить и которые изменяют индустрию искусственного интеллекта в области здравоохранения в 2024 году
Стимулом для этого изменения служат несколько факторов.
- Рост использования искусственного интеллекта технологий.
- Желание получить лучшие аналитические инсайты при принятии решений.
- Технологический прогресс, делающий решения более доступными, а также взрывной рост электронной коммерции.
Многие функции, ранее требующие нескольких отдельных систем управления, теперь могут быть управляемы через центральный компьютер в транспортном средстве. Среди некоторых возможностей:
- Полный обзор, позволяющий водителю легко узнать, что происходит вокруг и внутри транспортного средства, и обеспечивающий оператору парка доказательства после происшествий.
- Навигация, планирование маршрутов и оптимизация маршрутов, что означает, что водителю могут быть предоставлены более оптимизированные маршруты, а также совмещены управление грузом, диспетчеризация по всему парку и оптимизация планирования операторам парка, что помогает снизить затраты на топливо и эксплуатацию.
- Управление грузом, позволяющее водителю видеть, что и сколько находится в грузовом отсеке, в каком состоянии и где находится во время доставки.
- Управление водителями, позволяющее управляющим парком помогать водителю.
- Мониторинг простоя, чтобы управляющие парком могли проанализировать данные и увидеть, планируются ли наиболее эффективные графики, и чтобы определить, есть ли у транспортного средства слишком много времени простоя, которое можно использовать для других задач.
- Прогнозирование технического обслуживания, что позволяет управляющим парком и водителям иметь хорошую видимость и уведомления о графике технического обслуживания транспортного средства. Это также минимизирует непредвиденные поломки и дорогостоящие ремонты в результате пропущенных итальянских графиков.
- Управление устройствами, где телеметрия позволяет мониторить состояние устройств, осуществлять обновления через воздух и восстанавливать работоспособность после сбоев устройства.
Давайте посмотрим, как мы можем реализовать эти функции с помощью Edge Insights для парка транспортных средств (EIF).
Edge Insights для парка транспортных средств (EIF) и как это работает
Edge Insights для парка транспортных средств (EIF) – это регламентированный облачный настраиваемый фреймворк микросервисов, специально разработанный для использования в транспортных средствах парка.
EIF направлен на ускорение выхода на рынок с помощью контейнеров и оптимизированного аналитического фреймворка, объединенного с OpenVINO. EIF упрощает процесс обучения разработчиков с помощью четко определенных микросервисов, добавляет гибкость для системных интеграторов и ускоряет принятие новых случаев использования.
Кроме того, фреймворк позволяет разрабатывать конечное решение с облачной панелью инструментов и возможностью управления устройством или получения устройствоориентированной телеметрии, а не только данных сенсоров транспортного средства. Все это можно делать, создав агностическую платформу, которая может использоваться в различных транспортных средствах, географиях или даже конфигурациях конечных клиентов.
Edge Insights для парка предлагает кураторскую коллекцию предварительно интегрированных компонентов, стратегически разработанных для упрощения создания и развертывания решений, адаптированных специально для парка и коммерческого сектора автотранспорта.
Основная цель этого пакета заключается в развертывании на индивидуальном транспортном средстве парка, которое мы также называем «узлом».
Рисунок 1: Структурная схема – Видение программного обеспечения Fleet
Модули и сервисы
EIF стремится ускорить время внедрения, используя контейнеры и оптимизированную аналитическую среду, объединенную с OpenVINO. EIF упрощает кривую обучения для разработчиков, используя четко определенные микросервисы, добавляет гибкость для системных интеграторов и ускоряет принятие новых сценариев использования.
Кроме того, этот инструментарий позволяет разрабатывать полноценное решение с облачной информационной панелью управления и возможностью управлять устройством или получать телеметрию, специфичную для устройства, а не только данные с датчиков автомобилей. Все это можно осуществить, создав агностическую платформу, которую можно использовать в различных автопарках, географических расположениях или даже конфигурациях конечных клиентов.
Сценарий использования и исходная реализация управления автопарком
Для лучшего понимания того, как можно использовать этот инструментарий, рассмотрите уже существующие сценарии использования и исходные реализации управления автопарком.
Доступно несколько сценариев использования и исходных реализаций, которые помогут нам быстро начать разработку инновационных приложений для автопарка; вот некоторые из них:
- Анализ поведения водителя
- Запись событий автомобиля
- Управление грузом
- Анализ общественного транспорта
- Распознавание автомобильных номеров
- Обнаружение адресов
- Управляемость устройствами
- Анализ рабочей зоны
- Анализ дорожных знаков
- Управление дорожными активами
- Анализ сельскохозяйственной техники
Давайте рассмотрим сценарий анализа поведения водителя и поймем, как его можно реализовать.
Исходная реализация анализа поведения водителя
Используя передовые технологии мониторинга поведения водителя, автопарки могут получать реально времянные сведения о том, как водители управляют транспортными средствами, что в свою очередь приводит к снижению эксплуатационных расходов и повышению безопасности.
Для этого используются видеоаналитика и модели искусственного интеллекта, которые затем передаются правилам движка, которые могут быть настроены системным интегратором. Это обеспечивает гибкость и возможность для системного интегратора определить действия, требуемые его конечным клиентом.
Вы можете легко загрузить эту исходную реализацию, включая исходный код, с Intel Developer Catalog. Он является открытым исходным кодом; следуйте руководству разработчика «Руководство по началу работы» для загрузки, установки, сборки и запуска.
Рисунок 2: Структурная схема – Мониторинг поведения водителя
Предварительно выполняются следующие шаги:
- Сценарии анализа видео (например, мониторинг водителя) упаковываются в «микросервис обработки видео», который в свою очередь упаковывается в контейнер, выполняющий как обработку видео, так и аналитику. Модели ИИ (добавленные системным интегратором или поставщиком интегрированного решения) легко развертываются с использованием пользовательских определенных функций (UDF), позволяющих пользователям подключать и использовать свои собственные модели ИИ для создания пользовательских сценариев, таких как мониторинг водителя.
- Мониторинг водителя использует модели искусственного интеллекта (биометрические данные) для обнаружения лиц и определения особенностей лица в целях определения признаков сонливости водителя, например, отслеживание глаз и позиции лица. В рамках данного сценария использования развертывается модель искусственного интеллекта для определения позы головы водителя и определения его направленности взгляда в сторону от дороги. Именно этот вывод будет проанализирован.
- Далее, выходные данные вывода из службы «обработка видео» отправляются в правила движка.
- Правила движка – это микросервис, который позволяет системным интеграторам определить настраиваемые правила на основе требований своего конечного клиента. Они основаны на их бизнес-логике и том, как они хотят обрабатывать результаты вывода. В случае мониторинга водителей определенные правила могут включать различные действия в зависимости от уровня сонливости и отвлечения водителя. Например, это может быть визуальные/облачные предупреждения или запросы на запись для критических обнаружений.
- Выходные данные из правил движка могут быть отправлены в службу «уведомлений», которая будет отправлять конкретные запросы соответствующему сервису. Например, облачные предупреждения могут быть отправлены в «коннектор облачной платформы», где их можно просмотреть на информационной панели Kibana, либо запросы на запись могут быть отправлены в микросервис «запись событий», который регистрирует видео обнаруженного события. Затем видео загружается в облако, где его может просмотреть оператор автопарка.
Описание модели
- Поза головы: Оценивает положение головы(голов) на кадре видео.
- Особенности лица: Определяет особенности лица установленных лиц.
- Обнаружение лица: Обнаруживает лицо(ца) на кадре видео.
- Распознавание лица: Распознает персон опираясь на предоставленные лица.
Как только приложение будет настроено и визуализатор запустится, вы сможете увидеть несколько точек данных, включая оповещения, фотографии водителя и карту, отображающую местоположение транспортного средства. Приложение-визуализатор будет определять зевки, мигания, сонливость и степень отвлеченности водителя, а также будет отображать его имя.
Рисунок 4. Панель управления Intel Fleet Manager, показанная в ThingsBoard
Вывод
Edge Insights for Fleet (EIF) устраняет сложность множественных параллельных сценариев использования и усиливает преимущества автономной работы. Это унифицированное решение для управления автопарком, которое позволяет управлять несколькими сценариями использования с помощью одного встроенного ПК в автомобиле. Референсные реализации алгоритмов поведения водителя используют плагины OpenVINO™ toolkit для обнаружения и отслеживания поведения водителя. Они могут быть дополнены для поддержки потокового видео сети (камера RTSP) и алгоритмы могут быть оптимизированы для достижения более высокой производительности.