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.
Giornata Tecnica da Piave Servizi, 11 aprile 2024 | DI DOMENICO Simone
AI-Textiles - Risultati finali analisi sperimentale
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
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. 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
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. 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. 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. 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. 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. 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. 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. 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.
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. 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
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