Strona główna Transport i logistyka Efektywne zarządzanie ruchem dzięki machine learning

Efektywne zarządzanie ruchem dzięki machine learning

Weili Lin
a&s International


Uczenie maszynowe (machine learning) zwiększa możliwości monitorowania ruchu drogowego i analizy danych. Poprawia dokładność detekcji oraz przetwarza dane zbierane przez kamery i sensory w informacje, które mogą zostać wykorzystane w zapobieganiu wypadkom, eliminowaniu korków, zwiększaniu efektywności operacyjnej i planowaniu infrastruktury drogowej.

Na podstawie danych ONZ przewiduje się, że do 2030 r. niemal 60 proc. ludności będzie mieszkać na terenach zurbanizowanych. To pokazuje, z jak wielkim obciążeniem będą miały do czynienia systemy transportu drogowego. Zwiększenie liczby mieszkańców i pojazdów na drogach stawia rządy państw przed wieloma wyzwaniami dotyczącymi takiego zarządzania ruchem, by drogi były nie tylko przejezdne, ale także bezpieczne. Dzięki postępowi technologicznemu coraz więcej miast wykorzystuje sztuczną inteligencję (AI) do analizowania wzorców ruchu, zwiększania efektywności monitoringu, wprowadzania automatycznego wykrywania wypadków i szybkiego reagowania.

Firma Zion Market Research szacuje, że światowy rynek analityki wizji osiągnie wartość 11,1 mld dol. do 2022 r., przy średniej rocznej stopie wzrostu wynoszącej 34,3 proc. w latach 2017–2022. Największy udział w nim w ub.r. miała branża transportowa, a zwiększenie złożoności tego segmentu będzie w najbliższych latach wpływać na wzrost zapotrzebowania na analizę danych wizyjnych. Monitorowanie ruchu drogowego to główne zastosowanie wymagające od systemów analizy obrazów dostarczania dokładnych informacji.

Poradzenie sobie z olbrzymią ilością danych jest wyzwaniem dla operatorów monitorujących warunki drogowe na obszarze całego miasta. W efektywnym zarządzaniu ruchem może pomóc uczenie maszynowe. System może wykorzystywać dane nie tylko do analizy ruchu, ale także do przewidywania potencjalnych wypadków i zapobiegania im. W przyszłości te inteligentne systemy mogą zastąpić ludzi w podejmowaniu decyzji w razie wypadków.

Uczenie maszynowe w najbliższych latach będzie się bardzo szybko rozwijać w związku z przyspieszonym wprowadzaniem inteligentnych technologii przez władze miast. Machine learning nie musi się ograniczać do ruchu drogowego, można je wykorzystywać we wszystkich rodzajach transportu, także na kolei i lotniskach.

Nowe technologie staną się ważną częścią inteligentnych systemów transportu, w dużym stopniu ograniczając liczbę wypadków będących skutkiem percepcyjnego bądź poznawczego przeciążenia kierowców, błędu człowieka bądź niesprzyjających warunków środowiskowych. Użycie nowych rozwiązań usprawni planowanie, poprawi wykorzystanie infrastruktury transportowej, przyczyni się do ograniczenia korków i skrócenia czasu podróży.
Inteligentne systemy służą także pomocą operatorom monitoringu i zarządzającym w pozyskiwaniu informacji dającej pełny obraz sytuacji. Nasi klienci chcą jak najszybciej wiedzieć, gdzie występują korki na drogach, zdarzyły się wypadki albo są ograniczenia w ruchu. Chcą mieć systemy, które będą im dostarczać użytecznych danych do planowania przyszłej rozbudowy infrastruktury, w tym budowy dróg i dodawania systemów sygnalizacji świetlnej – zauważa Zvika Ashani, dyrektor ds. technicznych w Agent Video Intelligence (Agent Vi), firmie specjalizującej się w analityce wizji i współpracującej z władzami miejskimi na całym świecie.

Rozwój uczenia maszynowego
Uczenie maszynowe zwykle dotyczy dużej ilości nieustrukturyzowanych danych, takich jak dźwięk i obrazy wideo. Poprzez wykorzystanie sieci neuronowych do imitowania sposobu, w jaki ludzki mózg rozumie informacje, systemy oparte na uczeniu maszynowym mogą rozpoznawać i analizować różne wzorce, dostarczając prawidłowe wyniki w różnych warunkach (w odróżnieniu od systemów opartych na regułach).
Centra monitorowania ruchu muszą obsługiwać wiele danych w stale zmieniającym się środowisku, dlatego takie zastosowanie wydaje się jednym z najlepszych dla uczenia maszynowego. Zasady ruchu drogowego są zasadniczo ustalone i jasne, toteż nadzorowane algorytmy uczenia maszynowego znajdują w tym sektorze powszechne zastosowanie.

W branży transportowej mamy do czynienia z obszernym zestawem reguł oraz przewidywalnych właściwych i niewłaściwych zachowań, dlatego jest ona świetnym kandydatem do wprowadzania automatyzacji wyszukiwania informacji w obrazie. W tym środowisku uczenie maszynowe ma zdolność do rozpoznawania nie tylko reguł, ale też bardziej skomplikowanych scenariuszy i podejmowania na ich podstawie odpowiednich działań.

W zastosowaniach transportowych technologia machine learning jest stosunkowo nowa i cały czas ewoluuje. Wykorzystanie uczenia maszynowego w tym obszarze znajduje się wciąż w fazie początkowej, ale pewnego dnia stanie się standardem. Gdy ludzie zaczną dostrzegać udane wdrożenia, użycie technologii będzie rosnąć wykładniczo – przewiduje Z. Ashani.

Guy Baron, dyrektor ds. technicznych w firmie Qognify, spodziewa się, że coraz więcej inteligentnych czujników wyposażonych w pakiet inteligentnych algorytmów będzie wdrażanych w ramach infrastruktury transportowej. Mogą one przetwarzać duże ilości danych w czasie rzeczywistym, a jednocześnie ułatwiać optymalizowanie operacji poprzez automatyczne identyfikowanie „przyczyny i skutku”, a także dostarczać rekomendacje operatorom w celu zmiany decyzji operacyjnych i optymalizacji wyniku. To już się dzieje. Można zauważyć znaczący wzrost tego trendu, gdy jest wykorzystywany potencjał IoT. Dla dostawców, integratorów systemowych i klientów machine learning, big data i sztucznej inteligencji stają się elementem kluczowym – zauważa.

Wykrywanie obiektów i przewidywanie zdarzeń
W porównaniu do innych technik uczenie maszynowe zapewnia większą dokładność detekcji i klasyfikacji, np. wielkości pojazdu. Poprawia trafność i szczegółowość w klasyfikowaniu pojazdów, m.in. określaniu liczby osi przy naliczaniu opłat za przejazd lub odróżnianiu małych i dużych samochodów ciężarowych.
Jeszcze kilka lat temu technologie analizy obrazu zastosowane do śledzenia ciężarówek i mierzenia przepływu pojazdów w zatłoczonym środowisku (takim jak autostrada albo miejska ulica wypełniona wieloma różnymi obiektami – ludźmi, autobusami, motocyklami i rowerami) nie były wystarczająco dokładne. Algorytmy uczenia maszynowego, analizując dane pochodzące z kamer i czujników, wykrywają pojawienie się nietypowych wzorców, takich jak blokada drogi czy tłum na środku jezdni. System uczy się wzorców występujących w mieście w różnych porach dnia oraz dniach tygodnia i stale je aktualizuje.

Technologia deep learning jest odmianą machine learning, powszechnie stosowaną w przetwarzaniu obrazów statycznych i sekwencji wideo. Firma PureTech Systems wykorzystuje ją do uzupełniania innych metod analizy danych wizyjnych. Jest bardzo efektywną techniką klasyfikowania obiektów i eliminowania szumu w obrazie. Gdy mamy do czynienia ze skomplikowaną sceną bądź schematem detekcji opartym na obrazie o dużej rozdzielczości, deep learning okazuje się wyjątkowo przydatne w dokładnym identyfikowaniu celów. Jeśli system został poddany ćwiczeniom z wystarczającą liczbą wzorców, to potrafi rozróżniać, czy ma do czynienia z wypadkiem samochodowym, czy nagromadzeniem pojazdów.

Algorytmy mogą analizować odległości pomiędzy autami pod różnymi kątami i na tej podstawie podawać precyzyjne informacje. Wypadki drogowe to zdarzenia nieuniknione i trudne do przewidzenia. Inteligentna predykcja ułatwia zapobieganie im na skrzyżowaniach, może też dostarczać wartościowych informacji. Rynek dysponuje już opartym na uczeniu maszynowym programem predykcyjnym, który przewiduje kolizje, wykorzystując metadane generowane z kamer do określania danych trajektorii pojazdu, a następnie koreluje je z informacjami z innych czujników (radaru lub systemów lokalizacyjnych GPS w pojazdach komunikujących się poprzez DSRC). Program predykcyjny jest uruchomiony na komputerze umieszczonym przy drodze, w pobliżu skrzyżowania.

Możliwości predykcyjne są ważne w określaniu, gdzie mogą wystąpić wypadki. Jeśli coś się zdarzy w określonym rejonie, inteligentny system powinien przewidzieć, że w ciągu kilku minut coś się wydarzy na innym obszarze.
W najbliższej przyszłości inteligentne systemy powinny już automatycznie podejmować decyzje i działania w przypadku nagłych zdarzeń. System może nauczyć się wzorców zdarzeń drogowych i tego, jak postępować w razie incydentu. Jeśli zdarzy się wypadek samochodowy, może określić, ile potrzeba karetek, i połączyć się z najbliższą placówką pogotowia lub policją w celu wezwania pomocy.

Bardziej wydajny monitoring
Wcześniej operatorzy przez wiele godzin oglądali na ekranach monitorów mnóstwo obrazów z kamer monitoringu ruchu ulicznego. Zmęczeni i rozpraszani często reagowali na incydenty z opóźnieniem. Rozwiązanie oparte na uczeniu maszynowym może wspomóc zespoły monitorowania. Taki system może wyświetlać powiadomienia, gdy wykryje wypadek. Platformy uczenia maszynowego mogą zapewniać działanie w trybie: 24 godziny, 7 dni w tygodniu przez cały rok, licząc, klasyfikując, śledząc, oceniając prędkość i identyfikując anomalie, bez najmniejszych śladów zmęczenia. Dzięki nim operatorzy będą bardziej efektywni przy podejmowaniu działania w razie wypadku.

Uczenie maszynowe dopasowuje wzorce i wykonuje zadania kognitywne na dużej ilości danych, które tradycyjnie musiałyby być przeskanowane i przetworzone ręcznie. Dzięki algorytmom uczenia maszynowego, które przetwarzają zapis wideo i rozpoznają obiekty, można udostępnić użytkownikom prosty i szybki mechanizm analizowania treści obrazu. W rezultacie przy wykonywaniu tego zadania mogą znacząco zredukować czas i nakład pracy.

System oparty na uczeniu maszynowym sam się uczy. Nie wymaga od użytkowników dostrajania i ustawiania parametrów, by osiągnąć dużą dokładność. To ogromny postęp. Użytkownik nie musi posiadać głębokiej wiedzy na temat dostrajania systemu, by osiągnąć pożądaną wydajność, gdyż system zrobi to za niego. Jest więc łatwiejszy we wdrożeniu i eksploatacji – wyjaśnia Z. Ashani.

W najbliższej przyszłości systemy będą umiały automatycznie identyfikować rodzaje ryzyka drogowego i problemy z bezpieczeństwem, przewidywać powstawanie korków, jednocześnie sugerując działania korygujące.

Większa dokładność, identyfikacja
Jedną z największych korzyści płynących z uczenia maszynowego jest duża dokładność algorytmów i większa niezawodność kamer dozorowych. Automatyczne technologie wizyjne już od ponad dekady są wykorzystywane w aplikacjach monitorowania ruchu ulicznego. Uczenie maszynowe wyraźnie wpływa na jakość wyników dostarczanych przez zautomatyzowane aplikacje monitoringu dzięki bardziej precyzyjnej detekcji zdarzeń oraz większej wiarygodności w niesprzyjających warunkach atmosferycznych i przy nieodpowiednim oświetleniu. W porównaniu do starszych technologii analizy obrazu nowe rozwiązanie zapewnia także udoskonalone śledzenie pieszych, rowerów i pojazdów w złożonej scenerii drogowej, z wieloma pojazdami i osobami poruszającymi się w polu widzenia kamery. Oferuje też nowe rodzaje analizy, które wcześniej nie były dostępne, np. wykrywanie nieprawidłowo zaparkowanych pojazdów dostawczych, powodujących w mieście poważne utrudnienia w ruchu.

Technologia skupia się na specyficznych szczegółach pojazdów, zapewniając większe możliwości detekcji. Wcześniej technologie inteligentnej analizy wizji i fonii miały wąskie gardła, były mało precyzyjne i nie nadawały się do zastosowań biznesowych. Dopiero po dodaniu do systemów modeli uczenia maszynowego nastąpił znaczący wzrost dokładności w rozpoznawaniu ludzi, samochodów, dróg i innych ważnych elementów związanych z transportem – opowiada Daniel Chau, dyrektor marketingu zagranicznego w Dahua Technology. Dahua rozpoczęła prace badawcze nad inteligentnymi algorytmami w 2009 r. i jest bliska zastosowania technologii uczenia maszynowego w swoich kamerach do identyfikacji pojazdów i ludzi oraz analiz statystycznych. Algorytmy uczenia maszynowego natomiast mogą w bardziej usystematyzowany sposób rozpoznawać cechy samochodów, takie jak typ, marka, model i kolor. Łącząc różne elementy w jednej analizie można zidentyfikować namierzany pojazd, nawet gdy nie zostały zarejestrowane jego numery rejestracyjne – wyjaśnia D. Chau.

Podsumowanie
Technologia uczenia maszynowego znalazła już zastosowanie w zarządzaniu ruchem, przed nią jednak długa droga do upowszechnienia. Systemy obsługujące machine learning wymagają dużych mocy obliczeniowych, dlatego produkty mające wspierać takie algorytmy muszą dysponować większymi mocami obliczeniowymi. Ponadto dobry system oparty na uczeniu maszynowym wymaga, by wszystkie jego elementy, w tym czujniki i analityka danych, generowały poprawne wyniki. Aby osiągnąć większą wydajność w monitorowaniu ruchu i zarządzaniu nim, trzeba dobrze poznać nową technologię, zanim się ją wdroży.

MACHINE LEARNING
w urządzeniach brzegowych i w chmurze

By zwiększyć wydajność systemu, firmy wbudowują algorytmy uczenia maszynowego w kamery, serwery lub w chmurę.
Zamiast przesyłać cały strumień wizji, można najpierw przetwarzać dane w urządzeniach brzegowych, a następnie metadane wygenerowane przez kamery wykorzystujące algorytmy uczenia maszynowego przekazywać do serwera. Pozwala to oszczędzić czas i pasmo oraz ogranicza obciążenie serwerów lokalnych i w chmurze. Takie rozwiązanie stosuje Bosch Security Systems w kamerach przeznaczonych do monitorowania i zarządzania ruchem drogowym. Kamery mają zaimplementowaną tę technologię, moc obliczeniowa rośnie wraz z dodaniem kolejnej kamery do systemu monitoringu. Nie ma więc potrzeby stosowania dodatkowego serwera albo zwiększania zasobów w chmurze – mówi Constant Rutten z Bosch Security Systems. Gdy ilość danych wytwarzanych, rejestrowanych i analizowanych wzrasta, potrzebujemy większej mocy obliczeniowej na brzegu sieci, potrzebnej dla obciążających zasoby algorytmów. W odpowiedzi na to zapotrzebowanie będzie instalowanych coraz więcej urządzeń wyposażonych w procesory graficzne GPU lub układy logiczne FPGA – podkreśla Guy Baron z firmy Qognify.

Problemem jest wysyłanie danych wizyjnych z wielu kamer do serwera. Największą przeszkodą w przetwarzaniu danych wizyjnych w chmurze jest wąskie pasmo. Firma opatentowała architekturę rozproszonej analityki wizji, w której zadanie przetwarzania obrazu jest dzielone pomiędzy komponent brzegowy w sieci zdalnej lokalizacji a serwer oparty na chmurze. Zapewnia to wysoką wydajność analityki, jednocześnie eliminując potrzebę przesyłania strumieni wizji do chmury. Kamera dokonuje wstępnego przetwarzania i przekazuje tylko niewielką ilość danych do dalszego przetwarzania w chmurze, dzięki czemu dane są przesyłane w czasie rzeczywistym. W rezultacie system może obsługiwać dużą liczbę kamer bez przeciążania pasma.

Nowa architektura systemowa, znana jako fog computing (mgła obliczeniowa), może ułatwić przetwarzanie dużych ilości danych zbieranych przez czujniki.

Założenia architektury systemowej muszą być weryfikowane i z czasem się zmieniać. Cloud computing stał się standardem, ale do analizowania dużych ilości danych prawdopodobnie będzie potrzebny model bardziej hybrydowy. W takiej architekturze dane będą zbierane i obrabiane przez algorytmy uczenia maszynowego w urządzeniach brzegowych albo w ich pobliżu, a następnie przekazywane do chmury do dalszego przetwarzania i długoterminowego przechowywania.