Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

AI-Textiles - Risultati finali analisi sperimentale

44 views

Published on

La presentazione dei risultati finali del progetto cluster AI-Textiles.

AI-Textiles è un progetto cluster top-down finalizzato a porre le basi affinché le aziende aderenti possano sviluppare competenze specifiche e avanzate nell'ambito dei tessuti intelligenti e delle tecnologie legate all'intelligenza artificiali, a partire dalle quali possano svilupparsi idee, soluzioni, e prodotti innovativi in risposta alle crescenti richieste del mercato. Il progetto è finanziato grazie ai fondi del POR FESR Sardegna 2014-2020.

Published in: Engineering
  • Be the first to comment

  • Be the first to like this

AI-Textiles - Risultati finali analisi sperimentale

  1. 1. Intelligenza Artificiale e Tessuti intelligenti: Tecnologie e Applicazioni PROGRAMMA PER LE AZIONI CLUSTER TOP-DOWN POR FESR 2014/2020 Risultati finali analisi sperimentale ing. Igino Corona - PhD Progetto finanziato con fondi POR FESR 2014/2020 - ASSE PRIORITARIO I “RICERCA SCIENTIFICA, SVILUPPOTECNOLOGICO E INNOVAZIONE
  2. 2. https://ai-textiles.diee.unica.it Obiettivi • Processamento sessioni dati kartodromo • Creazione modello predittivo – Pressione sedile à Accelerazione casco guidatore • Analisi modello predittivo – Risultati e conclusioni
  3. 3. https://ai-textiles.diee.unica.it Dati di riferimento • Luogo: kartodromo – Sardegna Kart Indoor – Sestu https://sardegnakartindoor.com/ • Sessioni dati analizzate: 5 – Ogni sessione è caratterizzata da un guidatore diverso/diverse caratteristiche – Stesso percorso per ciascuna sessione • Principali dati raccolti: – Orientazione, accelerazione sensori su casco, kart – Pressione misurata sul sedile: destra, sinistra, schienale – Videoripresa telecamera fissata su kart
  4. 4. https://ai-textiles.diee.unica.it Dati di riferimento • 5 sessioni dati (sessioni numerate 7, 8, 13, 14, 15) • Video telecamera ancorata a – Kart – Casco • Accelerometri e giroscopi ancorati a – Kart – Casco • Sensori di pressione su sedile – Lato destro – Lato sinistro – Schienale
  5. 5. https://ai-textiles.diee.unica.it Modello Causale X Y Z accelerazione veicolo accelerazione casco guidatore pressione (Forza F) sedile guidatore F=m * a M movimento volontario guidatore
  6. 6. https://ai-textiles.diee.unica.it Modello Causale • Legame causale fra: – Accelerazione veicolo e pressione sedile guidatore – Accelerazione veicolo e accelerazione casco guidatore • Ci aspettiamo correlazione fra – Pressione sedile guidatore e accelerazione casco guidatore – Entrambi sono soggetti alle stesse cause X Y Z accelerazione veicolo accelerazione casco guidatore pressione (Forza F) sedile guidatore F=m * a M movimento volontario guidatore
  7. 7. https://ai-textiles.diee.unica.it Premesse • Nella precedente analisi abbiamo verificato che è possibile misurare una correlazione significativa tra – Pressione sedile guidatore (lato destro/sinistro) – Accelerazione laterale sul casco • Nuovo obiettivo: – Costruire un modello capace di prevedere una relazione fra queste due misure: • INPUT: pressione sul sedile guidatore • OUTPUT: accelerazione sul casco – Valutare accuratezza e generalizzazione del modello
  8. 8. https://ai-textiles.diee.unica.it Selezione dati per esperimenti • Dati di interesse: – Misure di pressione sul sedile – Misure di accelerazione sul casco • Esclusa sessione 15 – Dati troppo poco rappresentativi – Percorso con due persone estremamente lento • Poche informazioni su accelerazione casco e pressione sedile
  9. 9. https://ai-textiles.diee.unica.it Misure di pressione sul sedile • Collezionate in maniera sequenziale da vari sensori • Preprocessamento dedicato: – Media di tipo spaziale (su intervallo di tempo necessario alla scansione completa della matrice di sensori) – Indipendentemente per lato sinistro, destro e schienale
  10. 10. https://ai-textiles.diee.unica.it Preprocessamento dati generale • Suddivisione intervalli di tempo discreti «time bins» – FissiamoT (es. 500 millisecondi) – Per ogni intervalloT, calcoliamo la media dei valori – Utile per il filtraggio del rumore ad «alta frequenza» (> 1/T) • Media mobile – Utile per filtrare ulteriormente il rumore e ottenere valori «arrotondati» «smooth» – Si sceglie una finestra di valori da considerare per media mobile (es. 5 valori) • Normalizzazione – Riconduciamo i valori in un intervallo «normalizzato» tra 0 e 1 – Applicata normalizzazione min-max sulla base dell’intera sessione dati considerata
  11. 11. https://ai-textiles.diee.unica.it Creazione del modello • Pressione = misura di forza • Ci aspettiamo una relazione lineare fra accelerazione sul casco e la pressione misurata sul sedile – Forza = massa x accelerazione – La massa può cambiare a seconda del guidatore • La medesima accelerazione potrà causare (in maniera proporzionale alla massa) una pressione diversa sul sedile • ERGO: ci focalizziamo su modelli lineari • Ipotesi: – Movimento volontario sul casco relativamente poco influente e/o filtrato dalle misure di preprocessamento
  12. 12. https://ai-textiles.diee.unica.it Creazione e valutazione del modello – per sessione • Addestriamo un classificatore lineare con – INPUT: pressione destra/sinistra sedile – OUTPUT: accelerazione prevista per casco • k-fold cross-validation per sessione – Consideriamo una sessione, effettuiamo preprocessamento dati – Suddividiamo sessione in una porzione di addestramento (40%) e una di test (60%) – Suddividiamo porzione di addestramento in k intervalli disgiunti (k=5) – Addestriamo su k-1 intervalli e valutiamo le prestazioni su intervallo rimanente – Calcolo accuratezza media di classificazione sulle k combinazioni – Classificatore più accurato viene valutato su porzione di test
  13. 13. https://ai-textiles.diee.unica.it Creazione e valutazione del modello – per sessione • Classificatore lineare – Ordinary least squares Linear Regression • Accuratezza – (1 - u/v) • u è la somma degli errori quadratici ((y_true - y_pred) ** 2).sum() • v è la somma totale dei quadrati ((y_true - y_true.mean()) ** 2).sum(). • Il migliore punteggio è 1.0 e mentre il peggiore può essere negativo (perché il modello può essere arbitrariamente errato). – Un modello che predice sempre il valore medio di y indipendentemente dagli input riceverà punteggio zero.
  14. 14. https://ai-textiles.diee.unica.it Modello per sessione 7 - risultato
  15. 15. https://ai-textiles.diee.unica.it Modello per sessione 8 - risultato
  16. 16. https://ai-textiles.diee.unica.it Modello per sessione 13 - risultato
  17. 17. https://ai-textiles.diee.unica.it Modello per sessione 14 - risultato
  18. 18. https://ai-textiles.diee.unica.it Creazione e valutazione del modello – per sessione • Risultati – Ottima accuratezza per un modello molto semplice (lineare) – E’ possibile determinare con buona precisione la relazione fra pressione dx/sx sul sedile e accelerazione laterale del casco – Abbiamo sperimentato anche su pressione dello schienale/accelerazione avanti indietro del casco ma i risultati non sono stati buoni • Probabilmente sono molto più influenti altre variabili aleatorie (es movimento volontario guidatore in avanti/indietro col busto/testa)
  19. 19. https://ai-textiles.diee.unica.it Creazione e valutazione del modello – inter sessione • Stesso meccanismo precedente MA – Addestriamo su una sessione e proviamo a fare predizione sulle altre – Il modello «impara» solo da una sessione e poi predice sulle altre sessioni • In questo caso, l’accuratezza attesa dovrebbe ridursi, ma valutiamo cosa succede se – addestriamo su sessione 14 e – prediciamo su tutte • Perché sessione 14? – Appare rappresentare una persona di massa intermedia rispetto quelle che hanno preso parte all’esperimento – La massa del guidatore rappresenta un fattore dipendente dalla sessione che influisce sull’ampiezza della forza (pressione) sul sedile
  20. 20. https://ai-textiles.diee.unica.it Modello sess. 14 predizione sess. 7 - risultato
  21. 21. https://ai-textiles.diee.unica.it Modello sess. 14 predizione sess. 8 - risultato
  22. 22. https://ai-textiles.diee.unica.it Modello sess. 14 predizione sess. 13 - risultato
  23. 23. https://ai-textiles.diee.unica.it Modello sess. 14 predizione sess. 14 - risultato
  24. 24. https://ai-textiles.diee.unica.it Creazione e valutazione del modello – inter sessione • Risultati: – Possiamo ottenere buone prestazioni anche per addestramento su sessione e test su altre – Modello sufficientemente semplice e generale – Modello potrebbe essere anche migliorato/calibrato se conoscessimo la massa di ciascun guidatore che influisce sulla relazione
  25. 25. https://ai-textiles.diee.unica.it Grazie per l’attenzione! • … e buona corsa con 25

×