Bayesian User Behavioral Modeling for Self-Learning Comfort Systems in Vehicles

Die zunehmende Beliebtheit von personalisierten Anwendungen wie Netflix oder Spotify hat die Automobilindustrie dazu gezwungen personalisierte Systeme auchfür den Innenraum von Fahrzeugen zu entwickeln, um auch dort den Kundenwunsch nach individualisierbaren und prädiktiven Komfortsystemen zu erfüllen. Dieautomatisierte Anpassung der Komfortfunktionen im Fahrzeug an die individuellen Bedürfnisse und Gewohnheiten jedes einzelnen Nutzers erfüllt nicht nur denWunsch nach Individualität, sondern erhöht zudem den Komfort und ermöglichtein angenehmeres und fokussierteres Fahrerlebnis.
... mehr

Das Ziel dieser Dissertation ist daher die Anwendung von maschinellen Lernverfahren, um Fahrzeug-Komfortfunktionen in selbstlernende Komfortsystemeumzuwandeln. Diese Systeme sollen in der Lage sein die individuellen Verhaltensmuster des Nutzers – wie zum Beispiel die Aktivierung der Sitzheizung imWinter – zu erlernen und anschließend die entsprechenden Komfortfunktionenselbständig zu steuern, genauso wie der Kunde sie bedienen würde.

Um dieses Ziel zu erreichen, werden die allgemeinen Anforderungen an ein selb-stlernendes Komfortsystem im Fahrzeug durch eine Literaturrecherche identifiziert. Unter Berücksichtigung dieser Anforderungen werden eine generischeSystemarchitektur und die Beschreibung der wichtigsten Systemkomponentenvorgestellt.

Anschließend wird ein neuartiges Bayesian Nonparametric Modell vorgestellt,welches das Nutzerverhalten bei der Bedienung von Komfortfunktionen imFahrzeug erlernt. Dieses Modell ist das grundlegende Element eines selbstlernenden Komfortsystems. Zur Bestimmung der Modellparameter wird einenAlgorithmus der Variationsinferenz eingeführt. Der Algorithmus erweitert denStand der Technik bezüglich Variationsinferenztechniken, indem die Flexibilitätund Anpassungsfähigkeit des Modells durch einen sogenannten "truncation-free"Inferenzansatz mit minimaler Ressourcennutzung verbessert wird. "Truncation-free" bedeutet hierbei, dass die Anzahl der Parameter nicht vordefiniert ist.

Um die Umsetzbarkeit des selbstlernenden Komfortsystems unter realen Bedingungen nachzuweisen, wird ein vorläufiger Prototyp eines selbstlernenden Fenstersystems als erste Konzeptdemonstration entwickelt. Die gewonnen Erkenntnisse aus der prototypischen Implementierung werden zur Weiterentwicklungdes ursprünglichen Inferenzalgorithmus verwendet. Die Erweiterung des Algorithmus besteht in der Möglichkeit der Einbeziehung von Expertenwissen in dasLernverfahren.

Darüber hinaus werden das Nutzerverhaltensmodell und die Inferenzmethodenuntersucht mit synthetisch generierten Daten, die herausfordernde Szenarien abbilden. Abschließend wird auf Basis von Messdaten einer sechsmonatigen Studieeine umfassende Bewertung der Modellgüte durchgeführt.

Zusammenfassend bieten selbstlernende Komfortsysteme einen vielversprechenden Ansatz, um die Kundenwünsche nach personalisierten und intelligentenFahrzeuginnenräumen zu erfüllen. Das in dieser Arbeit vorgestellte Nutzerverhaltensmodell ist das grundlegende Element für ihre Entwicklung.

The growing popularity of personalized services, such as Netflix or Spotify, has pushed the automotive industry to rethink the interior space in vehicles to meet customer demands for more individual and predictive comfort systems. To satisfy user’s needs, in-vehicle comfort functions play a fundamental role. Automating the in-car comfort functions according to the particular needs and routines of each individual user would not only make customers feel their car is personalized, but also increase their level of comfort and create a more enjoyable and less distracting driving experience.
... mehr

The main goal of this dissertation is, therefore, to apply machine learning techniques to transform the in-vehicle comfort
functionalities into self-learning comfort systems, capable of learning the individual user behavioral patterns – such as turning on the seat heater when it is cold – in order to seamlessly control the desired vehicle functionality as the user would do. To accomplish this objective, the general requirements for a self-learning comfort system in vehicles are identified through a comprehensive literature review.

Furthermore, taking those system requirements as a foundation, a generic system architecture describing the main system components is introduced. Afterwards, a novel Bayesian nonparametric model for understanding user behavior with in-vehicle comfort functions is presented. The user behavioral model is the fundamental element of a self-learning comfort system. To infer the model’s parameters, a variational inference algorithm is introduced. The algorithm extends the current state-of-the-art in variational inference techniques by permitting a truncation-free inference approach with minimal resource usage, enhancing the model’s flexibility and adaptability.

To prove the feasibility of a self-learning comfort system in real-world settings, a preliminary prototype of a self-learning window system is developed as an initial concept demonstration. Based on the knowledge gained from the prototypical implementation, the initial inference algorithm is optimized. The optimized variational inference algorithm expands the previous one by enabling the incorporation of expert knowledge into the learning procedure.

Then, the user behavioral model and the inference methods are examined using synthetically generated data that represents challenging scenarios. Finally, a comprehensive evaluation of the model’s performance is presented, for which real-world data collected over a six-month experimental study is employed.

Overall, self-learning comfort systems offer a promising approach to satisfy the user needs for personalized and intelligent interior spaces in vehicles. The user behavioral model presented in this work stands as a fundamental element for their development.