AI på spårbilbana - Maskinen mot människan

Abstract

Artificiell Intelligens blir allt vanligare för att övervaka prestanda hos system. Ofta skickas data från flera system till en molntjänst som sedan behandlar den. Desto fler system som kopplas upp, desto mer data skickas. För att undvika att överbelasta uppkopplingar hos system kan istället datan behandlas direkt på plats. Ekkono har utvecklat ett koncept som de kallar ”AI on the edge”. Detta innebär att maskininlärning sker direkt hos det system som ska tränas istället för att behöva skicka data till en molntjänst eller liknande. Cybercom, som är ett IT-konsultbolag, vill lära sig mer om hur Ekkonos SDK (Software Development Kit) fungerar. Studenterna kom tillsammans med Cybercom och Ekkono fram till idén om skapa ett sk. ”showcase” som kan användas för att öka intresset för deras koncept. Detta realiserades genom att modifiera en bil från en spårbilbana till att bli maskinstyrd och med hjälp av Ekkonos SDK ta bättre och/eller snabbare beslut än människan. Det huvudsakliga syftet med projektet var således att undersöka om den maskinstyrda bilen kunde köra runt en bana snabbare än en bil styrd av en människa. Bilen utrustades med ett accelerometer- och motorstyrningskort samt en Raspberry Pi Zero W, en liten 1GHz enkortsdator som kör ett linuxbaserat operativsystem. På Raspberry Pi Zero W installerades sedan Ekkonos SDK som användes med accelerometern för att prediktera de krafter som skulle komma att påverka bilen och därefter bestämma hur mycket gaspådrag bilen skulle få i nästa steg. Bilen lyckades köra runt banan med hjälp av Ekkonos AI men inte snabbare än vad en människa kunde göra. Detta berodde i stor del på tidsbegränsningar. Konstruktionen av bilen tog mer tid än väntat vilket resulterade i att den tid som kunde läggas ner på att implementera en väl fungerande AI-modell inte räckte till. Dessutom så finns det mycket att önska hos beslutsfattningsprocessen, den processen som tar det predikterade värdet och fattar ett beslut baserat på det. En större utmaning än väntat var också att inte designa programmet på ett sådant sätt att det blir väldigt skräddarsytt för en viss ban-design men inte fungerar på andra typer av banor. AI-modellen som användes var Random forest, vilket är en bra utgångspunkt då den är snabb att ställa upp utan att behöva vikta in-parametrarna. Hade det funnits mer tid till att implementera AI-modellen hade en Multilayer Perceptron modell valts att implementeras istället.