{{detailStore.author.is_follow?'已关注':'关注'}}
管理
用算法优雅除雾?场景智能黑科技解放你双手
文章

智能座舱,作为车企差异化竞争的关键要素之一,最近一段时间卷得飞起。不过除了硬件堆料,软件算力的攀升却好像没有大力出奇迹,用户个性化、智能化的座舱体验需求远远未被满足。

“智能座舱的下一代解决方案,一定是面向千人万面的场景智能化服务。”嘉峪智能场景引擎团队产品经理Song判断,对于如何体现“智能”,她的理解是,我们长城汽车的产品一定要与用户达成默契,在用户需要的时候提供恰到好处的服务。

“举个例子,用户刚感觉到渴,手边就有杯温度刚好的茶。但目前业内几乎没有厂商可以做到。为什么?首先,数据智能在这行还属于起步阶段,传统车厂数据意识不足,新势力车厂数据量不够;其次,用车场景复杂,数据量庞大,导致数据无法闭环;还有就是,机器学习除了需长时间数据训练外,同时要用户参与标注及纠错,才能不断完善。”

Song对小嘉介绍,目前团队正在加速座舱场景引擎机器学习算法的模型开发,并在行业首创了基于用户座舱行为的边缘机器学习算法。比如「除雾预测模型」,该模型通过深入理解用户座舱环境、车内行为以及气象数据,为用户提供起雾预警服务,帮助用户行车更安全,用车更高效。

小场景背后的大努力   算法除雾让你不受大风吹

车窗起雾怎么办?在团队看来,这个场景不大,却暗含了用户的典型痛点。秋冬季节,车内外温差较大,车窗玻璃很容易起雾。以前常见解决方案是,利用物理传感器识别,检查车内外温差、湿度,判断是否起雾,再进行自动除雾。

“不过,后来我们发现,这方案有个问题,它是判断起雾了再做下一步操作,而为了快速除雾,风量往往调到最大,有很大噪音,用户体验很差。”Song解释道,当时团队就在想,如果能提前1分钟知道即将起雾,那不就能以最适宜风量除雾,非常“优雅”地解决掉原来的痛点了吗?

可要如何建立这个算法模型,却颇费思量。后来,Song决定,用基于车机端的边缘机器学习算法试一试。“我们和小伙伴们一起进行了好几轮的功能定义和参数设定,不断地提高准确率。”

模型准确率可达 93%   帮了用户还能助力车厂

终于,在场景引擎团队与数据智能团队共同努力下,项目有了突破。“模型关键在于对汽车识别起雾原理的认识。我们通过对温度、湿度参数的获取,利用强化学习,终于形成了对起雾概率的准确预测。”据Song介绍,因为算法部署在车机端,可以实时收集车主的除雾习惯,并将反馈信息喂入算法进行迭代,所以项目的迭代大大加速。

经过了多轮努力,「除雾预测模型」终于完成研发,它不仅能利用算法来预测起雾时间以提前进行除雾,更能以较小的空调风量,近乎无感地解决这一问题。目前该模型的准确率高达93%。

而在嘉峪智能数据智能团队负责人Shawn看来,这个模型除了能为用户带来便利外,对长城汽车其他的车型开发也有着不小的价值。

利用算法进行除雾预测,可降低对“四合一传感器”的要求,现在用三合一传感器就能达到此前的效果。“未来,我们还会加强算法进化,比如增加获取车内人数等维度信息的能力,进一步帮车企降本增效,也为用户带来更个性化智能服务。”Shawn介绍道。

数据驱动场景飞轮   助咖啡智能再进化

而这只是场景引擎与数据智能两大团队的起点,他们还希望能进一步用自己的研究助力咖啡智能的进化。

自去年11月发布以来,OpenAI的聊天产品ChatGPT风靡全球,某种程度点燃了市场对于生成式AI的美好想象,类人智能的出现或将成为可见的未来。

有业内人士直言,现在AI的行业共识,已经从Model-centric走向Data-centric,数据决定了模型的上限,而高质量的样本和反馈,作为「human-in-the-loop」嵌入模型训练,将使智能进化大有可为。

在智能汽车领域,有量产落地车型的,高质量埋点的车企,比如长城汽车,最有可能凭借AI算法,启动进化飞轮。

目前,为了支持咖啡智能的进一步进化,嘉峪智能的场景引擎产品和数据智能团队正在协同开发,希望能助力长城汽车向这一目标进发。

据小嘉了解,目前团队基于边缘机器学习算法已经迭代了好几版,涉及多个用车场景,不久就将正式上车为用户提供主动服务。

写评论
积分赞赏
点赞
评论区
  • 编辑
  • {{is_favourite ? '已收藏' : '收藏'}}
  • 举报
  • 加入黑名单
  • 删除
  • 取消置顶
  • 置顶推荐
    • 6小时
    • 12小时
    • 24小时
    • 3天
    • 一周
    • 长期
  • {{digest?'撤销精华':'设为精华'}}
回到顶部
  • 全部评论{{detailStore.commentnum}} 条
  • 只看作者
  • 最热
  • 最新
  • 最早

「待审核」

{{ comment.relativeTime }} 已被赞赏 {{comment.integral}} 积分 回复

暂无相关评论

发表一下个人看法吧