Dynamic neural system for endowing intelligent cars with the ability to learn their occupants’ routines

Abstract

Conduzir um veículo é uma atividade rotineira que inclui visitar os mesmos lugares relativamente à mesma hora do dia ou dia da semana. Deste modo, veículos cognitivos/inteligentes que tenham a capacidade de aprender e se adaptar antecipadamente às rotinas dos seus ocupantes poderão assistir de forma autónoma o condutor nas suas deslocações diárias. No âmbito desta dissertação, foi desenvolvido um modelo usando campos dinâmicos neuronais para aprender aspetos ordinais e temporais sobre os destinos que integram a rotina de um condutor, assim como os passageiros e objetos que trazem e levam quando entram e saem em certos destinos. Adicional mente, métodos tradicionais de machine learning (nomeadamente, regressão linear, regressão ridge, e redes neuronais artificiais) foram aplicados para aprender qual a configuração de conforto no interior do veículo pretendida pelos seus utilizadores. Experiências realizadas com dados reais relativos às rotinas de vários veículos, validam a arquitetura para múltiplos condutores, passageiros, e objetos. Os resultados confirmam que o sistema corretamente prevê, na maioria dos casos, para onde ir, quando ir, quanto tempo lá ficar, quem é o condutor, e quem são os passageiros, e objetos que entram e saem num dado ponto de paragem. O sistema baseado em campos dinâmicos permite uma rápida adaptação a mudanças numa rotina quando as previsões falham mais do que uma vez consecutivamente ou quando um novo destino deve ser integrado nesta. Adicionalmente, os erros de previsão dão-se somente quando se verificam grandes desvios relativamente ao que é habitual. Quanto às técnicas de machine learning, os valores das métricas de erro são mais baixos quanto menor for o número de utilizadores que partilham o veículo. Os modelos propostos poderão ser implementos no cockpit de um veículo para providenciar assistên cia personalizada pertinente, assim como, as previsões podem ser usadas antecipadamente para a preparação da viagem.

Driving a vehicle is often a routine activity that comprises visiting the same places at relatively the same time of a given day or day of the week. Thus, cognitive/intelligent vehicles capable of learning and adapting to their occupants’ routines might assist the driver autonomously in his daily trips. This dissertation aims to develop a new model using Dynamic Neural Fields to learn ordinal and temporal aspects regarding driver destinations, as well as which objects the occupants bring and take when they enter or exit at each location. Additionally, it applies traditional machine learning methods - linear and ridge regressions and artificial neural networks - to learn the desired comfort setting by the driver inside the vehicle. Experiments performed with real data regarding the routines of several vehicles validate the developed architecture for multiple drivers, passengers, and objects. The results confirm the system correctly predicts, in most cases, where to go, when to go, how long to stay there, who is the driver, and who are the passengers, and objects coming in and out at a specific stop location. The activation-based learning mechanism implemented in the Dynamic Neural Fields models also supports a fast adaption to consistent changes in the routine when predictions fail more than once or when an existing one needs to integrate a new destination. Prediction errors happen in cases of an exceptional, one-time deviation from routine behavior. Regarding the machine learning techniques, the error values increase with the number of users sharing a vehicle. The proposed models may be implemented in a vehicle’s cockpit to provide pertinent personalized assistance and make anticipated predictions to prepare users for a trip.