13:27
Digital-Twin Framework обеспечивает видимость условий дорожного движения в реальном времени
Новый инструмент, который объединяет данные с камер, лидаров, радаров и датчиков транспортных средств, может позволить городам и департаментам транспорта более эффективно отслеживать и анализировать активность на перекрестках, помогая уменьшить количество аварий и повысить эффективность. Иллюстрация Бесики Казаишвили, Национальная лаборатория Скалистых гор.Мы все были там: останавливались на красный свет на пустом перекрестке или едва избегали столкновения после того, как водитель проехал на красный свет.
Исследователи из Национальной лаборатории Скалистых гор (NLR) работают над снижением таких рисков, улучшая то, как перекрестки «видят» и реагируют на дорожные условия в реальном времени. Их подход сочетает в себе совместное восприятие на основе инфраструктуры, объединение мультисенсорных данных и аналитику на основе данных для повышения безопасности и эксплуатационной эффективности на регулируемых перекрестках - сокращение задержек, экономия времени и снижение транспортных расходов.
Потребность в этих улучшениях значительна. Это непропорционально большая часть проблемы, на которую приходится почти четверть всех смертей в результате дорожно-транспортных происшествий и половина всех дорожно-транспортных происшествий.
Более эффективная работа системы сигнализации также может привести к существенной экономии.оптимизация синхронизации сигнала может сократить задержки на 15-40 % и расход топлива до 10 %, в зависимости от условий.
«Значительная доля аварий и перерасхода топлива связаны с перекрестками, - говорит Стэн Янг, специалист по передовой мобильности NLR. - Это постоянная проблема, которую до недавнего времени было трудно решить».
Цифровой двойник активности на перекрёстках
В центре этих усилий - IPC-Fusion, набор инструментов с открытым исходным кодом, который теперь доступен для лицензирования, который объединяет данные датчиков, установленных на светофорах и близлежащих зданиях, а также данные подключенных транспортных средств в единое цифровое представление активности на перекрестках. После успешной демонстрации и проверки NLR ведет переговоры с крупным поставщиком решений для дорожного движения о лицензировании этой технологии для более широкого внедрения.
Структура восприятия и контроля инфраструктуры (IPC). объединяет данные с камер, радара, лидара и подключенных транспортных средств для создания высокоточного цифрового двойника, который обеспечивает комплексное, четкое представление о движении транспортных средств и пешеходов без слепых зон.
Цель состоит в том, чтобы обеспечить возможность использования таких приложений, как мониторинг характеристик светофоров, оптимизация времени сигнала, адаптивное управление сигналом в реальном времени, уменьшение заторов, анализ безопасности дорог и пешеходов, а также моделирование энергопотребления транспорта.
«С помощью мультисенсора в реальном времени С точки зрения активности на перекрестках интеллектуальная инфраструктура может улучшить транспортный поток и снизить количество аварий в ближайшем будущем, одновременно закладывая основу для автоматизированной мобильности, когда транспортные средства и инфраструктура имеют общее понимание дорожных условий», - сказал Янг.
На практике это позволит системе светофоров более динамично реагировать на условия в реальном времени.Например, система может обнаружить один ожидающий автомобиль на пустом перекрестке и соответствующим образом скорректировать время подачи сигнала или продлить время пешеходного перехода, когда кому-то нужно больше времени, чтобы безопасно перейти дорогу. Кроме того, он может выявлять необычно высокий трафик, связанный с особыми событиями, транспортными средствами скорой помощи или эвакуацией, и адаптировать синхронизацию сигналов в соответствии с изменяющейся структурой дорожного движения. Он также может обнаруживать закономерности резкого торможения и частого проезда на красный свет, предоставляя ценную информацию о безопасности, которая помогает транспортным агентствам выявлять и устранять места повышенного риска.
Эти эксплуатационные улучшения могут также сократить потери топлива, вызванные ненужным холостым движением и пробками, снижая эксплуатационные расходы транспортных средств для водителей и помогая агентствам оптимизировать работу перекрестков без крупных капиталовложений.
Подход IPC-Fusion особенно ценен для организаций управления дорожным движением, включая муниципалитеты, а также государственные и местные органы власти. департаменты транспорта, которым требуются независимые от поставщиков и датчиков решения для мониторинга дорожного движения, которые поддерживают множество последующих приложений. Используя существующие технологии обнаружения и обеспечивая будущую модернизацию датчиков, он обеспечивает долгосрочную гибкость, избегая при этом зависимости от технологий и поставщиков.
Преодоление барьеров интеграции
Эта работа поддерживается Лабораторией восприятия и контроля инфраструктуры NLR, где исследователи интегрируют передовые методы зондирования, цифровые двойники и методы оптимизации для повышения безопасности, производительности и эффективности интеллектуальных транспортных систем.
«Объединение информации на уровне объекта из различных источников в реальном времени - сложная математическая и вычислительная задача», - сказал Римпл Сандху, ученый-компьютерщик NLR.«Наша цель состояла в том, чтобы создать мультисенсорную структуру объединения данных для создания цифрового двойника перекрестного трафика в реальном времени на периферийных устройствах с ограниченной вычислительной мощностью, способной работать с различными типами датчиков, обнаруживать широкий спектр объектов и подключаться через связь между инфраструктурой и всем с высокой надежностью и точностью».
Ключевой проблемой является интеграция. Производители оборудования, такие как производители камер, радаров и лидарных систем, а также разработчики программного обеспечения, обрабатывающие полученные данные, часто работают в разрозненность, опирающаяся на жесткие конвейеры данных, предназначенные для конкретных конечных целей, что затрудняет межплатформенное объединение данных.
В то же время разработки технологий подключенных и автоматизированных транспортных средств часто являются запатентованными.
IPC-Fusion использует искусственный интеллект (ИИ), машинное обучение и классические статистические методы для обработки и согласования различных потоков данных в единую модель поведения на перекрестках. Его стандартизированные интерфейсы данных минимизируют привязку к поставщику и упрощают интеграцию. новых сенсорных технологий для инфраструктурного интеллекта.
Оборудование мобильной лаборатории NLR по восприятию и контролю инфраструктуры собрало данные на этом перекрестке в Колорадо-Спрингс. Фото Стэна Янга, Национальная лаборатория Скалистых гор От исследований к реальным пересечениям
Исследователи NLR проверили систему с помощью многочисленных демонстраций в Колорадо-Спрингс и Лейквуде, штат Колорадо, где используются разнообразные датчики. типы были установлены на оперативных перекрестках.
«Система принимала входные данные от трех современных типов датчиков - лидара, радара и видеокамер с поддержкой искусственного интеллекта - выравнивала их выходные данные в общей системе отсчета и объединяла обнаруженные данные в единую оперативную картинуТранспортные средства, пешеходы и велосипедисты, движущиеся через перекресток, - сказал Янг. - Каждый участник дорожного движения «отслеживает» интегрированную информацию от нескольких датчиков, чтобы обеспечить не только высокоточное отслеживание местоположения, но и меру достоверности и достоверности обнаружения - «важное улучшение по сравнению с предыдущими подходами». связь между инфраструктурой и транспортными средствами. Эти возможности также могут сократить время и затраты, необходимые для оценки, мониторинга и оптимизации транспортных операций в крупных транспортных сетях.
Основываясь на этих демонстрациях, NLR сейчас работает с партнерами над более широким расширением и масштабированием решения.
Параллельно NLR разработала хранилище данных о траекториях на уровне объекта, полученных в результате дорожной активности, для поддержки дальнейших исследований в области объединения мультисенсорных данных.
«Насколько мне известно, это один из немногих общедоступных наборов данных, собранных в полевых условиях, который включает в себя данные как датчиков инфраструктуры, так и подключенных транспортных средств», - сказал Сандху.
Исследователи применили набор инструментов IPC-Fusion к данным, собранным на нескольких перекрестках в Колорадо-Спрингс и Лейквуде, штат Колорадо. Фото Файзана Мира, Национальная лаборатория Скалистых гор. Отслеживание движения транспорта в масштабе
Помимо разработки цифровых двойников активности перекрестков, исследователи также создали вычислительно эффективный и автоматический метод для классификации поворотов с использованием данных о траекториях подключенных транспортных средств. Этот подход использует пространственную фильтрацию, деривацию заголовков и кластеризацию для классификацииповороты, обеспечивая эффективную альтернативу сложному сопоставлению карт, которое может требовать больших вычислительных ресурсов и подвержено ошибкам на сложных перекрестках.
Этот метод, проверенный на 10 перекрестках с различной геометрией и условиями дорожного движения, надежно фиксирует реальные схемы движения транспорта. Полученные данные позволяют транспортным агентствам оценивать качество сигнала, выявлять эксплуатационные проблемы, оценивать риски для безопасности и анализировать энергетическое воздействие в транспортных сетях.
«Проверки в реальных условиях показывают, что эти подходы могут масштабироваться, обеспечивая точное отслеживание и надежное понимание моделей дорожного движения в реальных условиях», - добавил Сандху.
На пути к подключенной и интеллектуальной инфраструктуре
Хотя эти технологии уже демонстрируются для улучшения мониторинга трафика и производительности перекрестков, Исследователи видят в будущем более широкие возможности по мере того, как подключенные и автоматизированные транспортные средства становятся все более распространенными.
Объединяя данные об инфраструктуре и транспортных средствах в общее представление условий дорожного движения в режиме реального времени, интеллектуальная инфраструктура может улучшить ситуационную осведомленность, поддерживать более безопасные операции для всех участников дорожного движения и помочь транспортным агентствам более эффективно управлять все более сложными дорожными сетями. Непрерывное, основанное на данных понимание операций на перекрестках также может помочь агентствам снизить эксплуатационные расходы, расставить приоритеты в обслуживании и капитальных инвестициях, а также максимизировать ценность существующей транспортной инфраструктуры.
Вместе эти демонстрации продемонстрировали масштабируемые методы отслеживания транспортных средств и пешеходов, анализа структуры трафика и разработки цифровых двойников, закладывая основу для интеллектуальных транспортных систем следующего поколения.
Расширение возможностей искусственного интеллекта и данных дляДругие транспортные проблемы
Возможности искусственного интеллекта, объединения данных и цифровой инфраструктуры, разработанные в ходе этой работы, также применяются для решения других транспортных проблем.
Одна из самых сложных проблем с данными, стоящих перед национальными дорожными сетями, - это объединение информации из множества разрозненных источников данных агентств, которые отслеживают содержание дорог, строительство и закрытие дорог, и объединение этой информации в режиме реального времени с действиями по реагированию на чрезвычайные ситуации. Это могло бы предоставить путешественникам (и все чаще автоматизированным транспортным средствам) своевременную информацию об опасностях на дороге и местах, которых следует избегать. Используя современные методы искусственного интеллекта, NLR демонстрирует преобразование и нормализацию этих разрозненных, часто генерируемых вручную источников данных в стандартизированные, машиночитаемые потоки сообщений, обеспечивающие быстрое распространение.
ИИ в форме больших языковых моделей также используется для создания национальной базы данных операций микротранзита. Эти небольшие автопарки, часто состоящие из автомобилей размером с минивэн, управляются и распределяются с помощью приложений для смартфонов, аналогичных платформам такси, таким как Uber и Lyft. Услуги микротранзита органично развились по всей стране, но ни одна центральная информационная система не отслеживает их распространение и влияние и не предоставляет путешественникам комплексный способ их обнаружения и изучения. Используя большие языковые модели и сотрудничая с местными операторами, NLR разрабатывает информационную панель национального уровня для обнаружения и характеристики этих систем, одновременно позволяя местным экспертам редактировать и настраивать информацию.
В другом приложении NLR использует анализ настроений с поддержкой искусственного интеллекта для отслеживания реакции пользователей на роботакси, оценки отношения к помощи путешественникам в крупных аэропортах и выявления проблем.различия в удовлетворенности пользователей между частыми и нечастыми пассажирами общественного транспорта, особенно в аэропортах.
Узнайте больше о Национальной лаборатории Скалистых гор Лаборатории восприятия и контроля инфраструктуры . И подпишитесь на нашу информационную рассылку исследований в области транспорта и мобильности , чтобы быть в курсе последних новостей.
Автор: Джулия Томас, NLR
Подпишитесь на еженедельную рассылку CleanTechnica's Substack для углубленного анализа Зака и Скотта и общих обзоров, подпишитесь на нашу ежедневную рассылку новостей и следите за нами в Google Новости! Реклама Посоветуйте CleanTechnica. «Хочу разместить рекламу». Хотите предложить гостя для нашего подкаста CleanTech Talk. Свяжитесь с нами здесь. Подпишитесь на нашу ежедневную рассылку, чтобы получать 15 новых историй о чистых технологиях в день. Или подпишитесь на нашу еженедельную рассылку о главных новостях недели, если ежедневные новости слишком часты.
CleanTechnica использует партнерские ссылки. Ознакомьтесь с нашей политикой здесь. Политика комментариев CleanTechnica
