AI ondersteunt onderzoeksproject voor slimme verlichting

Het Duitse onderzoeksproject OpenLicht heeft met succes een slim verlichtingssysteem ontwikkeld op basis van open-source software en bibliotheken voor machine learning, plus goedkope hardware, die de verlichting in een ruimte automatisch kan aanpassen op basis van wat de gebruiker doet.

De slimme verlichtingsoplossingen van vandaag zijn gebaseerd op slimme lampen zoals de Philips Hue en Osram Lightify. Hoewel ze enkele slimme functies bieden, vereisen ze over het algemeen handmatige bediening door de gebruiker via een smartphone-app. Sommige kunnen worden geprogrammeerd (bijvoorbeeld om op bepaalde tijden aan en uit te gaan), maar de regels moeten nog steeds handmatig worden ingesteld, zodat de basisrelatie tussen gebruiker en verlichtingssysteem niet wordt veranderd door het slimmer te maken.

De huidige slimme verlichtingssystemen moeten nog steeds handmatig door de gebruiker worden ingesteld. Het OpenLicht-project
heeft een prototype ontwikkeld voor een intelligenter verlichtingssysteem (Afbeelding:Infineon Technologies/OpenLicht)

Het OpenLicht-project, dat in september 2016 van start ging, wilde daar verandering in brengen door kunstmatige intelligentie en machine learning-technieken toe te voegen aan slimme verlichting. “Het project had twee hoofddoelen:aan de ene kant het verder bevorderen van onderzoek en samenwerking van op AI gebaseerde slimme verlichtingssystemen, en aan de andere kant het toegankelijk maken van state-of-the-art technologie voor iedereen, inclusief startups en de maker. gemeenschap”, zegt projectcoördinator Juan Mena-Carrillo, R&D-manager voor slimme verlichting bij Infineon Technologies.

Het onlangs afgeronde project werd gefinancierd door het Duitse Ministerie van Onderwijs en Onderzoek (BMBF) met teamleden Infineon, Bernitz Electronics, Deggendorf Institute of Technology en de Technische Universiteit van Dresden. Infineon en TU Dresden ontwikkelden de machine learning-applicatie en algoritmen. Deggendorf ontwikkelde de grafische interface/app voor het project en Bernitz had de leiding over de gateway en de communicatie tussen de sensoren en actuatoren van het systeem.

Slim prototype

Het belangrijkste resultaat van het project was een prototype van een slim verlichtingssysteem op basis van AI, inclusief een adaptief softwaresysteem met een grafische interface (app) en een op Raspberry Pi gebaseerde centrale hardwaregateway die de gegevensverwerking en alle besturingstaken afhandelt. Het prototypesysteem past automatisch de verlichting in een ruimte aan op basis van de positie en activiteit van de gebruiker; dit kunnen verschillende instellingen zijn voor bijvoorbeeld tv kijken en lezen. Het systeem leert de voorkeuren van de gebruiker kennen en reageert dienovereenkomstig. Tot op zekere hoogte kan het ook reageren op situaties die het nog niet is tegengekomen en waarover het nog niet heeft geleerd.

De open-source hardware gateway is gebaseerd op een Raspberry Pi met een uitbreidingskaart. Er is ook een geminiaturiseerde versie, gebaseerd op een microcontroller-architectuur, maar deze vereist verbinding met een OpenLicht-gateway (Afbeelding:Infineon Technologies/OpenLicht)

De centrale component van het prototype is de open-source smart-home middleware, gebaseerd op openHAB, een leverancier- en technologie-onafhankelijk open-source softwareplatform voor domotica. Projectonderzoekers ontwikkelden openHAB-bindingen voor de verschillende sensoren, waaronder druk- en radarsensoren, die in een ruimte worden geplaatst om bezetting en beweging te detecteren. De sensoren sturen hun gegevens naar de overeenkomstige bindingen, die de echte sensoren verbinden met het openHAB-systeem en de gegevens leveren aan "items" - virtuele representaties van sensoren en actuatoren. Wanneer er wijzigingen optreden in de items, worden die wijzigingen verzonden naar het open-source machine-learning framework Encog.

Een neuraal netwerk dat is getraind op sensorgegevens, verwerkt de veranderingen en geeft inzicht in de huidige activiteit van de gebruiker. De voorspelling wordt gecombineerd met gegevens over de natuurlijke lichtomstandigheden en de informatie wordt naar een tweede neuraal netwerk gevoerd, dat zelflerend is en zich tijdens het gebruik aanpast aan de voorkeuren van de gebruikers. Op basis van de gegevens die eraan worden toegevoerd, bepaalt het tweede neurale net de juiste configuratie voor de lampen in de kamer. Die configuratie wordt vervolgens omgezet in lampcommando's, die via actuatoritems en bindingen naar de echte lampen worden verzonden.

Het team heeft een demoruimte opgezet om het prototypesysteem te evalueren en sensorgegevens te verzamelen die nodig zijn voor het trainen van het neurale netwerk (Afbeelding:Infineon Technologies/OpenLicht)

"Een gebruiker kan de kleur en lichtintensiteit van lampen altijd aanpassen via een gebruikersinterface, schakelaar, dimmer of afstandsbediening wanneer hij of zij niet tevreden is", aldus Mena-Carrillo. “Het systeem herkent de verandering en brengt de nieuwe configuratie in kaart met het natuurlijke licht en de activiteit, die worden herkend en gemeten op het moment van de aanpassing. Deze mapping wordt vervolgens gebruikt om het neurale netwerk opnieuw te trainen door het [de nieuwe mapping] te combineren met de oude gegevens. De nieuwe gegevens krijgen echter meer gewicht dan de oude gegevens in het omscholingsproces.”

Privacyprobleem

De belangrijkste uitdagingen voor het project waren de met elkaar verbonden kwesties van beveiliging en privacy. Een op hardware gebaseerde Trusted Platform Module (TPM) van Infineon werd ingebouwd om te beschermen tegen aanvallen van hackers door de systeemintegriteit te versleutelen en te beschermen. TPM's zijn beveiligingschips op basis van een internationale standaard voor veilige processors die worden gebruikt om kritieke gegevens op te slaan, zoals wachtwoorden en coderingssleutels, en om coderingsalgoritmen uit te voeren.

"Na interviews met veel eindgebruikers hebben we vastgesteld dat de kwestie van privacy een van de belangrijkste hindernissen is voor de acceptatie van smart-home-systemen", zei Mena-Carrillo. Daarom werd besloten dat het OpenLicht-systeem AI aan de rand zou gebruiken; dat wil zeggen dat gebruikersgegevens worden verwerkt in het smart-home-systeem in plaats van in de cloud. De techniek beschermt de privacy van de gebruiker omdat gevoelige gegevens alleen lokaal worden verwerkt. Het zorgt over het algemeen ook voor snellere reactietijden en vermindert of elimineert de noodzaak van een internetverbinding.

Open source

Een van de belangrijkste doelstellingen van het OpenLicht-project was om de technologie toegankelijk te maken voor de industrie en de bredere gemeenschap. Alle software is gebaseerd op open-sourcetechnologieën:de resultaten worden geïmplementeerd als uitbreidingen voor openHAB en de open-source machine learning-bibliotheek Encog is aangepast voor gebruik in het project. Ook het gebruik van goedkope hardware was een bewuste keuze om deze toegankelijk te maken. De resulterende software van het project zelf zal binnenkort open source zijn.

"Iedereen kan onze softwareresultaten gebruiken en het mooie is dat ons systeem kan worden uitgebreid met nieuwe functies en functies", aldus Mena-Carrillo. "Deze resultaten stellen gebruikers nu in staat om dergelijke nieuwe AI-functies en functies toe te voegen aan hun openHAB-systemen."

Alle OpenLicht-software zal "zeer binnenkort" beschikbaar zijn op GitHub, inclusief de machine-learningsoftware, kennisbank en openHAB-bindingen, voegde hij eraan toe. Hoewel het project aan beide hoofddoelen voldeed, gaf Mena-Carrillo toe dat het team zich ook realiseerde dat er nog veel werk aan de winkel is voordat een dergelijk systeem onder alle omstandigheden betrouwbaar werkt. Gezien het open-source karakter van het project hopen de ontwikkelaars van OpenLicht dat het zal evolueren zodra de industrie en de makersgemeenschap er toegang toe krijgen.

>> Dit artikel is oorspronkelijk gepubliceerd op onze zustersite, EE Times Europe.