描述

介紹

Avnet SmartEdge Agile 設(shè)備是一種自給自足的智能設(shè)備，可以通過連接到方向盤或烘干機(jī)輕松收集數(shù)據(jù)。該系統(tǒng)是一個(gè)多合一的傳感器收集器和簡單的機(jī)器學(xué)習(xí)模型執(zhí)行堆棧。

在這里，我們展示了兩個(gè)簡單的應(yīng)用程序，并展示了通過使用 Velcro 剝離和粘貼設(shè)備來從一個(gè)應(yīng)用程序跳轉(zhuǎn)到下一個(gè)應(yīng)用程序是多么容易。

在家中的兩個(gè)青少年對駕駛監(jiān)控產(chǎn)生了極大的興趣。它對于審查包裹公司、雜貨配送服務(wù)、共享駕駛公司、出租車、魯莽司機(jī)、路怒司機(jī)和瘋狂司機(jī)的司機(jī)表現(xiàn)也很重要。

反復(fù)攻擊的司機(jī)會(huì)在他們的方向盤上安裝這些設(shè)備之一，并監(jiān)控他們的駕駛活動(dòng)，以防止進(jìn)一步的違規(guī)行為。

我們在之前的項(xiàng)目中找到了動(dòng)機(jī)：“ GPS Drivers Log ”，它記錄了設(shè)備的 GPS 位置和速度，但不記錄駕駛監(jiān)控技能或環(huán)境條件。Avnet SmartEdge Agile 用作強(qiáng)大的傳感器數(shù)據(jù)收集器，可提供駕駛員駕駛條件和技能的概況。

材料

我們使用 Avnet SmartEdge Agile 設(shè)備。對，就是那樣。不需要其他硬件。

資源

在 gpearston 撰寫的“ Brainium /SMARTEDGE AGILE-Review ”中可以找到關(guān)于 Avanet SmartEdge Agile 設(shè)備的非常好的評論。還有 Krishnaraj Varma 的評論標(biāo)題“ SmartEdge Agile 和 Brainium 簡介” 。

Brainium Dashboard 登錄在此處，文檔在此處。

jupyter notebook 水平排列繪圖功能可以在這里找到。

Jupyter notebook 動(dòng)態(tài)圖交互說明可以看這里。

這次我們沒有使用有趣的信息。RPi 有一個(gè)網(wǎng)關(guān)，你可以在這里找到安裝說明，PDF 可以在這里下載。

行車監(jiān)視器

可用于創(chuàng)建駕駛配置文件的指標(biāo)是陀螺儀、世界加速度和接近度。定義車廂環(huán)境的指標(biāo)是聲音、溫度和光線。

接下來是每個(gè)指標(biāo)的簡短描述。

陀螺儀或角速度顯示我們駕駛的速度。其中包括避免事故或突然改變車道等情況。

世界加速或正常加速可能顯示可能的街頭賽車或突然減速。

嘈雜的音樂或乘客聊天的聲音可能會(huì)讓司機(jī)分心。新司機(jī)傾向于打開立體聲音樂，可能會(huì)忘記周圍的交通狀況或可能的警告/危險(xiǎn)交通聲音隊(duì)列。

光照條件因農(nóng)村或城市行駛道路而異。

溫度控制是一個(gè)有趣的節(jié)能領(lǐng)域。該設(shè)備使我們能夠看到自動(dòng)洞穴內(nèi)的溫度設(shè)置。

濕度和壓力取決于所行駛的道路。看看地質(zhì)景觀如何改變壓力條件并因此改變發(fā)動(dòng)機(jī)性能真的很有趣。取決于所行駛的道路。看看地質(zhì)景觀如何改變壓力條件并因此改變發(fā)動(dòng)機(jī)性能真的很有趣。

數(shù)據(jù)收集是通過清晨從早上 5:00 開始，距離 100 英里和大約 1:45 小時(shí)以及下午從下午 3:30 開始在高峰時(shí)段通勤、100 英里和大約 2:30 小時(shí)開始的。是的，很多數(shù)據(jù)。

數(shù)據(jù)是通過每隔近一個(gè)小時(shí)運(yùn)行記錄功能來收集的，早上通勤時(shí)提供兩個(gè)文件，下午通勤時(shí)提供三個(gè)文件。例如第一個(gè)文件有這么多數(shù)據(jù)

GYROSCOPE_NORM                14119                                                        
WORLD_ACCELERATION_NORM        8824                                                        
ACCELERATION_NORM              8824                                                        
MAGNETIC_FIELD_NORM            8298                                                        
SOUND_LEVEL                    3525                                                        
PRESSURE                       3319                                                        
PROXIMITY                      3319                                                        
VISIBLE_SPECTRUM_LIGHTNESS     3319                                                        
HUMIDITY_TEMPERATURE           3319                                                        
IR_SPECTRUM_LIGHTNESS          3319                                                        
HUMIDITY                       3319                                                        
Name: dataSource, dtype: int64

該文件在大約 45 分鐘的記錄中記錄的數(shù)據(jù)總數(shù)為 63504 個(gè)點(diǎn)，這占用了大約 4.3 Mb 的空間。

使用 Jupyter Notebook 分析數(shù)據(jù)

我們使用 Jupyter Notebook 來分析 Avnet SmartEdge Agile 設(shè)備記錄的數(shù)據(jù)。收到的文件格式如下：

devicePublicId,dataSource,timestamp,scalar,vector                                                      
D1,GYROSCOPE_NORM,1566508292002,0.6946869492530823,                                                      
D1,GYROSCOPE_NORM,1566508292236,0.915907621383667,                                                      
D1,GYROSCOPE_NORM,1566508292471,0.39298704266548157,                                                      
D1,GYROSCOPE_NORM,1566508292783,2.0969412326812744,                                                      
D1,GYROSCOPE_NORM,1566508293017,0.35836511850357056,                                                      
D1,GYROSCOPE_NORM,1566508293251,0.5771657228469849,                                                      
D1,GYROSCOPE_NORM,1566508293485,1.3782867193222046,                                                      
D1,GYROSCOPE_NORM,1566508293797,1.8784273862838745,                                                      
D1,HUMIDITY,1566508292060,39,                                                      
D1,HUMIDITY,1566508293138,40,                                                      
D1,IR_SPECTRUM_LIGHTNESS,1566508292085,201,                                                      
D1,IR_SPECTRUM_LIGHTNESS,1566508293164,192,                                                      
D1,MAGNETIC_FIELD_NORM,1566508291973,57.30019760131836,                                                      
D1,MAGNETIC_FIELD_NORM,1566508292401,56.88837814331055,                                                      
D1,MAGNETIC_FIELD_NORM,1566508292834,54.180320739746094,                                                      
D1,MAGNETIC_FIELD_NORM,1566508293264,56.206783294677734,                                                      
D1,MAGNETIC_FIELD_NORM,1566508293698,54.03041076660156,                                                      
D1,ACCELERATION_NORM,1566508291924,9.627486228942871,                                                      
D1,ACCELERATION_NORM,1566508292315,9.70956802368164,

標(biāo)頭顯示文件內(nèi)容為 deviceId、數(shù)據(jù)源（正在報(bào)告的傳感器）、時(shí)間戳（以毫秒為單位）、標(biāo)量（傳感器值）和向量（當(dāng)前未使用）。

要找出正確的格式，時(shí)間戳有點(diǎn)復(fù)雜。該值不是以秒為單位，而是以毫秒為單位。在 Jupyter 筆記本中，您將執(zhí)行如下操作，其中 pd 是 pandas 包。

pd.Timestamp(timeStampVariableHere, unit='ms', tz='US/Eastern')

我們需要在 Jupyter Notebook 中安裝以下庫：pandas、matplotlib、io、base64、IPython 和 ipywidgets。使用的筆記本的示例會(huì)話附加到項(xiàng)目的程序文件部分。

import ipywidgets as widgets                                                      
import numpy as np                                                      
import pandas as pd                                                      
import matplotlib.pyplot as plt                                                      
import io                                                      
import base64                                                      
from IPython.display import display                                                      
from IPython.display import HTML                                                      
from ipywidgets import *

我們首先使用 pandas 加載數(shù)據(jù)

df1_1=pd.read_csv("DataPATH\\recording_session_5d5e5a275ba70e00014f9048.csv")                                                      
data_counts1_1 = df1_1['dataSource'].value_counts()                                                      
print (data_counts1_1)

打印顯示每個(gè)傳感器記錄的數(shù)據(jù)點(diǎn)數(shù)，如下所示

GYROSCOPE_NORM                14119                                                      
WORLD_ACCELERATION_NORM        8824                                                      
ACCELERATION_NORM              8824                                                      
MAGNETIC_FIELD_NORM            8298                                                      
SOUND_LEVEL                    3525                                                      
PRESSURE                       3319                                                      
PROXIMITY                      3319                                                      
VISIBLE_SPECTRUM_LIGHTNESS     3319                                                      
HUMIDITY_TEMPERATURE           3319                                                      
IR_SPECTRUM_LIGHTNESS          3319                                                      
HUMIDITY                       3319                                                      
Name: dataSource, dtype: int64

以下函數(shù)使用 label 參數(shù)過濾數(shù)據(jù)，如下例所示。將標(biāo)簽設(shè)置為 SOUND_LEVEL 調(diào)用 prepareData 函數(shù)，數(shù)據(jù)范圍為點(diǎn) 500 到點(diǎn) 800。Pandas 通過 dataSource 列過濾數(shù)據(jù)并選擇數(shù)據(jù)范圍。

def getRangeData(data, columnLabel, dmin = 0,dmax = 0):                                                      
 if (dmin == 0 and dmax == 0):                                                      
     retdata = data[[columnLabel]]                                                      
 elif (dmin == 0):                                                      
     retdata = data[[columnLabel]][:dmax]                                                      
 elif (dmax == 0):                                                      
     retdata = data[[columnLabel]][dmin:]                                                      
 else:                                                      
     retdata = data[[columnLabel]][dmin:dmax]                                                      
 return retdata           
                                                     
def prepareData(label,dmin = 0,dmax = 0):                                                      
 global df1_1                                                      
 global data1_1                                                      
 global sdata1_1                                                      
 sdata1_1 = df1_1[df1_1['dataSource'] == label]                                                      
 data1_1 = getRangeData(sdata1_1,'scalar',dmin,dmax)           
          
                                                     
label ='SOUND_LEVEL'                                                      
prepareData(label,500,800)

下面是一組圖表，描述了我們早上開車第一個(gè)小時(shí)的駕駛概況。

您會(huì)注意到 Gyroscope_Norm 在開始和結(jié)束時(shí)顯示了一些峰值，這些峰值表示城市駕駛有硬轉(zhuǎn)和軟轉(zhuǎn)；接近 0 的部分描繪了高速公路行駛，幾乎沒有變道，幾乎沒有轉(zhuǎn)向。

還要注意環(huán)境指標(biāo)：溫度、聲音和可見光。聲源是廣播新聞，平均分貝為 55 分貝。機(jī)艙溫度逐漸降至舒適的 22 攝氏度，室外溫度為 26 攝氏度（炎熱的早晨）。終于，清晨通勤，沒有出現(xiàn)日出，光線感應(yīng)器接近黑暗。

下午的通勤時(shí)間也差不多，開始是市區(qū)行駛，高速公路上穩(wěn)定行駛。接近傳感器證實(shí)了很少的硬轉(zhuǎn)彎。

噪音水平也設(shè)置為標(biāo)準(zhǔn)對話和新聞廣播。溫度需要一段時(shí)間才能降低到 29 攝氏度。光照顯示顯著增加至平均 800 度，在陽光明媚的開始和之后的云層中達(dá)到峰值。

仔細(xì)查看要繪制的點(diǎn)數(shù)較少的圖。這是我離開車道并開始穿過社區(qū)街道后的示例。請注意，接近傳感器上接近 2.5 厘米的較低峰值與陀螺儀上的變化相匹配，這在這些情況下表明是一個(gè)硬轉(zhuǎn)彎。

下午通勤的情況也是如此，從工作的車庫里出來。

這是一個(gè)關(guān)于陀螺儀指標(biāo)和接近傳感器如何一起顯示方向盤硬轉(zhuǎn)的小動(dòng)畫。接近傳感器在轉(zhuǎn)動(dòng)方向盤時(shí)改變值并與信號(hào)知道或光桿對齊。在這一點(diǎn)上，我們知道方向盤已經(jīng)改變了至少 90 度，這意味著一個(gè)急轉(zhuǎn)彎。

陀螺儀上的值越高，轉(zhuǎn)彎越劇烈。

此圖同時(shí)顯示 Gyroscope_Norm（藍(lán)色）和 Proximity（橙色）傳感器值。當(dāng)接近傳感器碰到燈或雨刷桿時(shí)，請注意軟轉(zhuǎn)向開始，然后轉(zhuǎn)向超過 90 度。

下面是另一個(gè)示例，但這次注意到陀螺儀值的變化更快，這表明急轉(zhuǎn)彎（方向盤的快速運(yùn)動(dòng)），以及接近傳感器的變化更突然。

最后，下圖顯示，當(dāng)沒有轉(zhuǎn)動(dòng)時(shí)，接近傳感器仍然指向中心面板，并且陀螺儀上沒有記錄到劇烈變化。這顯示了高速公路駕駛。

請記住，所有這些圖表都是使用 Jupyter Notebook 界面中的 matplotlib 繪制的。

駕駛應(yīng)用

駕駛應(yīng)用程序正在開發(fā)中，并將向相關(guān)方（父母、警察、消防部門等）通知危險(xiǎn)駕駛。SmartEdge 設(shè)備將推斷駕駛員行為可能出現(xiàn)的危險(xiǎn)情況，并提醒駕駛員和上述各方。

我的衣服準(zhǔn)備好了嗎？

最后，正因?yàn)槲覀兛梢?，而且預(yù)覽直播數(shù)據(jù)是如此容易。我們將 AVNET SmartEdge Agile 設(shè)備連接到我們的舊烘干機(jī)并運(yùn)行旋轉(zhuǎn)循環(huán)。從下圖中可以看出

結(jié)論

分析來自方向盤和烘干機(jī)的數(shù)據(jù)只是 Avnet SmartEdge Agile Brainum 應(yīng)用無限可能的第一步。通過可以收集的數(shù)據(jù)，包括接近度、加速度、角速度、光和聲音，我們可以利用這些信息將其應(yīng)用于現(xiàn)實(shí)世界并進(jìn)行研究，以使汽車更安全，讓日常機(jī)器更方便使用。

如果可以公開更多指標(biāo)（例如 ROTATION 和 MOTION），這也將非常有用，我們無法訂閱這些指標(biāo)。

最后，人工智能模型的創(chuàng)建留給使用特定指標(biāo)來推斷已定義規(guī)則，如果我們能夠決定使用哪些指標(biāo)進(jìn)行訓(xùn)練，以及在原始數(shù)據(jù)上找到模式的分析工具，這將是一個(gè)巨大的幫助。

謝謝閱讀。