3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
丹麥長照-資源服務篇
 | |||||||||||||||||||
| |||||||||||||||||||
智慧建築與智慧家庭
| ||
2017年2月8日 星期三
‧ 2017\02\08\3S Market Daily 智慧產業新聞
3S Market deliver Smart and Valuable information for Business
．智慧生活到底什麼樣？跟著來看看
Panasonic CityNOW: The Mile High Smart City
|
騰訊數碼（天空之城）
美國丹佛Pena Station Next是一個聯網街區，現在我們還看不到太多新鮮的東西，未來，無人駕駛班車會進入街區，將居民送到輕軌車站、店鋪與餐館附近。
在不久前舉辦的拉斯維加斯CES展會上，松下讓與會者欣賞了未來城市，松下是丹佛智慧城市項目的合作者。松下智慧城市部門CityNow副總裁George Karayannis在接受採訪時表示，一些技術正在開發，還有一些技術（比如巴士候車亭）將會變得更先進。
Pena Station Next位於丹佛國際機場南部，是一個未來社區，上個月，社區開始引進智慧LED交通燈。停車區域安裝了太陽能面板和儲存微型電網，現在安裝工作快要結束了。在街區內有一幢大樓，屬於松下企業解決方案公司（Panasonic Enterprise Solutions Co），它是一個技術營運中心，現在營運中心已經向企業開放。
斯卡拉亞尼斯說，今年春天之前就會覆蓋Wi-Fi網路，夏天佈署智慧停車場和智慧巴士公車站。下個月，第一輛EasyMile EZ10自動駕駛班車，將會投入營運。
松下之所以在丹佛建設智慧城市，目標是打造一個智慧城市實驗室，測試不同的技術。在松下CES展台上，該公司展示了一些新技術，這些技術可能會出現在Pena Station Next街區：
透明電視
松下開發的透明視訊顯示技術，可以將窗戶、物體表面，變成電視螢幕。在放酒的冰箱、桌面、窗戶上，松下使用了該技術。窗戶可以播放烹飪影片，後院保全攝影機拍攝的圖像，可以瞬間顯示在桌面上。
再看冰箱，它讓不同的架子保持在不同的溫度。觸控玻璃螢幕，每一個架子的溫度都會顯示。螢幕還會顯示清酒的類型和品牌，以及可以與酒搭配的食譜和菜餚。
智慧廚房
智慧廚房暫時還不是很聰明，並非所有的菜都會做，但是已經有許多菜餚，可以實現自動化烹飪。當我們在清酒冰箱的門上選擇了食譜，其它家電產品就會啓動，準備做菜，此時螢幕會播放影片，烤箱用適宜的溫度預先加熱。
廂房櫃台上安裝了感應爐，當用戶將相容的炊具放上去，感應爐就會加熱。抽油煙機內置了攝影機和傳感器，可以監控食物的烹飪過程，隨時調整溫度，避免起火。
它還可以監控烹飪時間，記錄飲食習慣。廚房會將整個烹飪過程記錄下來，富有創造力的廚師，在開發新菜時不用做筆記，他可以回看整個過程。
多功能桌子
新開發的松下智慧桌子，內置了多種技術，包括透明影像顯示技術，它可以播放家庭幻燈片、聯網保全攝影機拍攝的圖像。桌面內部是顯示器，外面覆蓋一層很薄的織物，看起來很像木頭。
桌子配備了兩種電動工具，一種是Flat-Top Cooker，它使用了微波技術，和感應技術一樣，當我們將相容的盤子放在桌面上，桌子就會加熱；還有一種是無線感應充電設備，我們可以將智慧手機放在盤子旁邊充電，一邊吃飯一邊充電。因為桌子是智慧的，它可以與附近的電腦、手機，及其它聯網設備同步，充當巨型顯示器。
智慧公車站
今年下半年，Pena Station Next將會建設智慧候車亭。在松下的CES展位上，我們看到了一個模擬車站，其中的許多智慧技術將會應用於Pena車站。
車站有兩塊LCD顯示螢幕，一塊顯示丹佛交通資訊，比如下一班RTD巴士，距離本站還有7分鐘，有4輛自行車停在Webb大樓之外。
螢幕還支持松下LinkRay光通信技術，這種技術可以用光，將數據傳輸到智慧手機，比如交通時間表和購物資訊。公車站依靠太陽能運行。
智慧路燈
在公車站的旁邊安裝了LED路燈，它也採用了許多新技術。路燈燈桿配有安全監控攝影機，可以收集各種數據，比如交通流量數據，如果有孩子在附近玩耍，它也會監控，確保孩子安全。
還有一個設備跟蜂箱很相似，它就是環境傳感器，由Argonne National Laboratory開發。這種環境傳感器被稱為「城市的Fitbit」，它可以監控空氣品質、噪音、溫度和濕度。
路燈上的傳感器還可以與汽車、無人駕駛汽車通信。松下正在與科羅拉多交通部門合作，在90英里長的70號洲際公路，測試V2X技術（vehicle to everything，也就是讓汽車與一切設施溝通）。透過V2X技術，汽車可以將交通資訊（比如出現事故，交通擁堵）發送到其它汽車。
智慧停車收費表
停車收費表除了讀取信用卡資訊，還可以做許多事，因為松下為收費表增加了圖像分析技術。智慧停車收費表可以辨識車牌，偵測空置停車位，甚至可以引導汽車來到空曠地。
當然嘍，用戶也可以拿出信用卡，直接在停車收費表付費，或者用其它數位支付方式付費。
自動駕駛汽車
松下不是汽車製造商，但是它也在開發自動駕駛技術，比如V2E技術，其它無人駕駛汽車製造商，可以使用松下的技術。
在CES展位上，我們看到松下展示的概念汽車，前排座位可以與後排座位對視，中間放了一張桌子，桌面內置了顯示器，可以顯示郵件和各種任務。
．淺說 DALI - 全數位燈光控制通訊協定
DALI(Digital Addressable Lighting Interface)-我把它翻譯為“數位定址燈光通訊介面”，基本上它就是為燈光控制而生的國際通用標準通訊協定，國際電工委員會的認證編號為- IEC 62386。
DALI通訊協定當初是由歐洲幾個主要的燈光界廠商，諸如：OSRAM、Philips、Tridonic…等合作制定，於1990年發表初始草稿版本(Draft version) ，發展至今已經超過20餘年，目前最新版本為DALI 2。
DALI 系統由以下三個元件
1. Control gear-控制光源用的控制元件，譬如電子安定器或整流器，一般市面上最常看到的名稱是DALI ECG 或 Ballasts。
2. Control devices-控制裝置，通常以主控制器或者按壓開關呈現，它可以向其他受控單元(例如DALI ECG)提供訊息（例如光強度訊息），並且可以向受控單元發送命令。
3. Bus power supplies- DALI系統中至少必須要有一個總線電源供應。這是必要的，以允許總線上的所有設備能進行雙向通訊，以及為總線上的設備供電。總線電源不需要是單獨的單元，它可以是另一個設備的一部分。
DALI既然是通訊協定那就必然存在通訊網路，DALI的通訊網路拓樸很簡單，系統採用無極性二線式總線架構，亦即說它可以是匯流排+星狀混用在同一網路上，而且這二線式總線亦同時供電，所以勿需另外提供電源廻路。
ALI 系統的定址方法很簡單，每一子網域(subnet )可定址 64 組設備，每一子網域的總線總長為300米；這個長度夠一般家庭或辦公場所使用了！
它的通訊方式也採用很簡單的廣播方式，傳送Baud rate 為 1200 bps，每筆封包長度含起始及終止位元共 19 bits。所以設計DALI的元件或設備並不複雜也很容易除錯！
我們就不談太多技術性問題了，我把DALI 系統的優點及常見應用領域總結列出如下：
DALI 系統的優點
．為開放標準的通信協定，不同設備製造商所提供的產品均具相容性。
．配線系統簡化，控制及負載分離，隨時可更改及重設照明計畫。
．提供單一﹑虛擬群組/廻路及情境三種控制方法操控光源。
．內建多種照度方案如調光 ﹑閃爍﹑漸暗/亮等供變化組合
．調光演繹方式共255階(1％~100%) ，較傳統調光方式（1~10V)更符合人眼視覺。
．調光效果是依安定器輸出電力(3％~100%)呈現，具節能效益。
．具雙向通訊能力，可偵測安定器及光源狀態，故管理及維修容易。
．因可偵測及記錄各光源的耗能比例，故可輕易製作整體光源耗能分佈圖及歷史記錄。
．提供多重及各類型操控設備，如開關﹑觸控面板﹑電腦﹑Smart Phone 及PAD等。
．為全數位化環境，可以輕易跟其他數位系統整合。
DALI 的常見應用
．數位家庭-提供各式情境及操控方法並能整合各類遙控器至 Smart Phone。
．會議室-結合各類會議設備提供多種場景變化。
．停車場-結合感應器及刷卡設備提供燈光導引以及照度控制達到節能效果。
．辦公室-結合移動感應器﹑光感應器及電動窗簾，採用日照補償達到照明節能效果。
．飯店大廳-可依時間及來客狀況提供各種預設場景變換。
．餐廳-依時間Schedule排定﹑自動調整及變換照明計畫達到管理及節能效益。
．機場-因照明範圍大，光源數量多，功能區域複雜，所以對照明系統的管理非常重要。
．保全整合-結合移動物偵測器，作動時開啟預設場景驚嚇宵小達到維安目的。
．大型會議或演講廳-提供各種預設場景變換，可由任一主事者操控。
．上海建築工地裝配式項目 EBIM+RFID 晶片技術應用
The Power of BIM - An Introduction to Building Information Modeling
|
來源：RFID世界網
2016年12月29日，EBIM雲平台助力上海建工一建集團趙巷鎮H3-02、H3-05地塊商品住宅項目，該項目總建築面積217578平方米，此標段由30棟PC疊拼住宅樓組成，結構形式為短肢剪力牆結構形式+裝配式外牆體系。
乾淨整潔的項目現場
此項目主要應用EBIM雲平台，對預製PC構件進行資訊化管理，採用有源RFID電子晶片+二維碼的形式對構件，進行全過程的定位追蹤。
PC構件的資訊化管理
他們採用有源RFID電子晶片，對構件進行全過程的定位追蹤，通過電子晶片與互聯網，及雲儲存平台相關聯，實現對全過程的生產、安裝數據，及圖像進行採集及匯總，並透過雲端控制平台對所有數據、圖像進行管理和指導後續施工。
加工廠通過模型列印二維碼，並登錄資訊到RFID晶片
有源RFID晶片+二維碼的應用流程
EBIM雲平台搭建
青浦趙巷項目BIM模型上傳至EBIM雲平台，通過EBIM平台進行BIM模型現場協同應用、PC構件流程跟蹤，和現場工程資料與PC構件掛接查看。
項目部與寶業PC構件廠溝通、確定本項目透過有源晶片跟蹤記錄構件流程步驟。進程為構件加工完成、構件入堆場、構件出堆場、構件進項目、構件堆場(現場)。
二維碼列印
構件廠與項目部配備二維碼列印機，加工廠派專人列印PC構件二維碼。通過選擇單元樓、樓層、構件類型批量列印二維碼，減少了以往excel輸入構件資訊，逐個列印二維碼的工作。
加工廠PC構件兩側粘貼二維碼，加工廠生產人員透過掃描二維碼將晶片與構件進行關聯，關聯資訊同步至伺服器後，平台自動記錄構件生產完成流程步驟。
現場工作人員可透過掃描二維碼，查看PC構件流程資訊，將施工過程資訊添加到PC構件中。
有源RFID晶片的應用
項目採用有源RFID晶片進行PC構件跟蹤，可自動記錄PC構件流程狀態。晶片採用外掛的形式，在一次投入使用下，可以重覆流轉多個項目使用，節約項目管理成本。
探測器
加工廠堆場大門、項目部大門及構件堆場處，安裝有源晶片接收器，當掛有晶片的PC構件通過大門時，構件資訊自動採集至雲平台。EBIM PC端、手機端和專業手持終端等，均可查看構件進度狀態。
此次上海建工應用EBIM雲平台，對PC預製構件流程的管控，減少管理人員對構件進度管理的精力投入；解決了構件堆場多，導致的構件堆場管理困難的問題；PC預製構件具體資訊和資料與圖紙的查看，保障了PC預製構件的準確安裝；議題、表單等功能的應用提高了現場問題回應的效率。
在項目應用過程中，上海建工對EBIM雲平台提出合理化建議，EBIM產品也在不斷完善。
．亞馬遜首席科學家：Alexa 背後的深度學習技術是如何煉成的？（揭秘亞馬遜在 CES 霸凌谷歌蘋果的語音辨識技術）
AWS re:Invent 2016: Deep Learning in Alexa
|
leiphone 作者：亞萌
按：2016年1月11日-12日，美國加州聖克拉拉市，AI Frontier大會召開，這次大會聚集了美國人工智慧公司裡，最強悍的明星人物，包括谷歌大腦負責人Jeff Dean、微軟AI首席科學家鄧力、亞馬遜首席科學家Nikko Strom、百度AI實驗室主管Adam Coates、Facebook科學家賈楊清等20多位業界大咖，堪稱AI業界領域的一場盛事。
作為2017開年最紅火的，人工智慧之星Alexa項目的領導者，亞馬遜首席科學家Nikko Strom帶來了演講，詳細闡述了Alexa裡的大規模深度的基本架構、語音辨識、語音合成等內容，尤其提到了Alexa為「雞尾酒派對難題」找到了有效的解決方法。
Nikko Strom，亞馬遜首席科學家。1997年於瑞典工學院獲得博士學位，之後擔任MIT電腦科學實驗室研究員，2000年加入初創公司Tellme Networks，2007年加入微軟，推進商業語音辨識技術的高階研究。
2011年加入亞馬遜，並擔任首席科學家，領導語音辨識及相關領域的深度學習項目，是如今炙手可熱的亞馬遜Echo和Alexa項目的創始成員。
以下是根據Nikko Strom現場演講整理而成，在不改變願意的基礎上做了刪減和補充。
這是Amazon Echo，內置了一個Alexa系統，提供語音服務，你可以把它放到你的家裡，你可以跟它對話，並不需要拿遙控器來控制。這個Holiday Season，我們加入了新的白色Echo和Dot，你們當中應該有很多人，比較偏愛白色的電子產品。
其它的一些產品，並沒有內置Alexa系統，但是可以與其連接，比如家裡的燈具、咖啡機、恆溫器等，你只需要語音，就可以讓它們執行一些命令。另外，開發者們通過「Skills」來給Alexa增加更多的功能應用。
如今數百萬的家庭裡放置了Echo，而它真正地在被使用著，由此我們得到的數據多到瘋狂（insane），可能會超出你的想像。我無法告訴你確切的數字，但盡可能往大了去想吧。
大規模深度學習
人的耳朵並非每時每刻，都在蒐集語音資訊，「聽」的時間大約佔10%，所以一個人成長到16歲的年紀，他/她所聽到的語音訓練時間，大概有14016小時，關於這個數據，我後面會提到一個對比。
回到Alexa，我們把數千個小時的真實語音訓練數據，儲存到S3中，使用EC2雲上的分布式GPU集群，來訓練深度學習模型。
在訓練模型的過程中，用MapReduce的方法，效果並不理想，因為節點之間，需要頻繁地保持同步更新，不能再透過增加更多的節點，來加速運算。
我們可以這樣理解，那就是GPU集群更新模型的計算，速度非常之快，每秒都有幾次更新，而每次更新大約是模型本身的大小。也就是說，每一個線程（Worker），都要跟其它線程同步更新幾百兆的量，而這在一秒鐘的時間裡，要發生很多次。所以，MapReduce的方法效果並不是很好。
我們在Alexa里的解決方法就是，使用幾個逼近算法（Approximations），來減少這些更新的規模，將其壓縮3個量級。這裡是我們一篇2015年論文的圖表，我們可以看到，隨著GPU線程的增加，訓練速度加快。
到 40個GUP線程時，幾乎成直線上升，然後增速有點放緩。80 GPU線程，對應著大約55萬幀/秒的速度，每一秒的語音大約包含100幀，也就是說這時的一秒鐘，可以處理大約90分鐘的語音。前面我提到一個人要花16年的時間，來學習1.4萬小時的語音，而用我們的系統，大約3個小時就可以學習完成。
這就是我們大致的深度學習基礎架構。
Alexa的語音辨識
我們知道語音辨識系統框架，主要包括四大塊：信號處理、聲學模型、解碼器和後處理。
首先我們將從麥克風收集來的聲音，進行一些信號處理，將語音信號轉化到頻域，從每10毫秒的語音中提出一個特徵向量，提供給後面的聲學模型。
聲學模型負責把音頻，分類成不同的音素。接下來就是解碼器，可以得出概率最高一串詞串，最後一步是後處理，就是把單詞組合成容易讀取的文本。
在這幾個步驟中，我們或多或少都會用到機器學習，和深度學習的方法。但是我今天主要講一下聲學模型的部分。
聲學模型就是一個分類器（classifier），輸入的是向量，輸出的是語音類別的機率。這是一個典型的神經網路。底部是輸入的信息，隱藏層將向量轉化到最後一層裡的音素機率。
這裡是一個美式英語的Alexa語音辨識系統，所以就會輸出美式英語中的各個音素。在Echo初始發佈的時候，我們錄了幾千個小時的美式英語語音，來訓練神經網路模型，這個成本是很高的。
當然，世界上還有很多其它的語言，比如我們在2016年9月發行了德語版的Echo，如果再重頭來一遍，用幾千個小時的德語語音來訓練，成本是很高的。
所以，這個神經網路模型一個有趣的地方，就是可以「遷移學習」，你可以保持原有網路中其它層不變，只把最後的一層換成德語的。
兩種不同的語言，音素有很多是不一樣的，但是仍然有很多相同的部分。所以，你可以只使用少量的德語的訓練數據，在稍作改變的模型上，就可以最終得到不錯的德語結果。
雞尾酒派對難題
在一個充滿很多人的空間里，Alexa需要弄清楚到底誰在說話。開始的部分比較簡單，用戶說一句喚醒詞「Alexa」，Echo上的對應方向的麥克風就會開啓，但接下來的部分就比較困難了。
比如，在一個雞尾酒派對中，一個人說「Alexa，來一點爵士樂」，但如果他/她的旁邊緊挨著同伴一起交談，在很短的時間裡都說話，那麼要弄清楚，到底是誰在發出指令就比較困難了。
這個問題的解決方案來自於2016年的一份論文《錨定語音檢測》（Anchored Speech Detection）。一開始，我們得到喚醒詞「Alexa」，我們使用一個RNN從中提取一個「錨定嵌入」（Anchor embedding），這代表了喚醒詞裡包含語音特徵。
接下來，我們用了另一個不同的RNN，從後續的請求語句中提取語音特徵，基於此得出一個端點決策。這就是我們解決雞尾酒派對難題的方法。
語音合成
Alexa裡的語音合成技術，也用在了Polly裡。語音合成的步驟一般包括：
第一步，將文本規範化。如果你還記得的話，這一步驟恰是對「語音識別」里的最後一個步驟的逆向操作。第二步，把字素轉換成音素，由此得到音素串。第三步是關鍵的一步，也是最難的一步，就是將音素生成波形，也就是真正的聲音。
最後，就可以把音頻播放出來了。
Alexa擁有連續的語音合成。我們錄下了數小時人的自然發音的音頻，然後將其切割成非常小的片段，由此組成一個數據庫。這些被切割的片段被稱為「雙連音片段」（Di-phone segment），雙連音由一個音素的後半段，和另一個音素的前半段組成，當最終把語音整合起來時，聲音聽起來的效果就比較好。
當你創建這個數據庫時，要高度細緻，保證整個數據庫裡，片段的一致性。另外一個重要的環節是算法方面的，如何選擇最佳的片段序列，結合在一起形成最終的波形。
首先要弄清楚目標函數是什麼，來確保得到最合適的「雙連音片段」，以及如何從龐大的數據庫裡，搜索到這些片段。比如，我們會把這些片段標籤上屬性，我今天會談到三個屬性，分別是音高（pitch）、時長（duration）和密度（intensity），我們也要用RNN為這些特徵找到目標值。
之後，我們在數據庫中，搜索到最佳片段組合序列，然後播放出來。