Von AI Trends Staff
Fahrzeuge, die an roten Ampeln anhalten, im Leerlauf warten, bis sich die Signalleuchten ändern, und beschleunigen, um wieder auf Touren zu kommen, verschwenden Kraftstoff und fügen der Luft Schadstoffe hinzu. Nach Angaben des Energieministeriums (DOE) verschwenden Fahrzeuge im Leerlauf jedes Jahr mehr als 6 Milliarden Gallonen Benzin und Diesel. Schätzungen.
Auf der Suche nach einem besseren Weg vergab das DOE im vergangenen Jahr 1.89 Millionen US-Dollar an Forscher der University of Tennessee-Chattanooga, der University of Pittsburgh, des Georgia Institute of Technology, des Oak Ridge National Laboratory und der Stadt Chattanooga, um ein neues Modell für Verkehrskreuzungen zu erstellen reduziert den Energieverbrauch und verbessert den Verkehrsfluss.
Ziel des Projekts ist die Entwicklung eines automatisierten Verkehrskontrollsystems, das den Kraftstoffverbrauch auf Korridorebene um 20% senkt und gleichzeitig eine sichere und effiziente Transportumgebung gewährleistet. Die Forscher beabsichtigen, KI und maschinelles Lernen zur Unterstützung einzusetzen Eine Reihe von intelligenten Transportanwendungen, einschließlich der Prävention von Einsatzfahrzeugen, der Priorität von Transitsignalen und der Sicherheit von Fußgängern, so die Beamten von Pitt, die in einem Bericht von zitiert wurden GCN.
„Unsere Fahrzeuge und Telefone haben das Fahren sicherer gemacht, während aufkommende intelligente Verkehrssysteme in einigen Städten die Verkehrsstaus verbessert haben. Der nächste Schritt in ihrer Entwicklung ist die Verschmelzung dieser Systeme durch KI “, erklärte Aleksandar Stevanovic, Direktor des Pittsburgh Intelligent Transportation Systems Lab. „Die Schaffung eines solchen Systems, insbesondere für dichte städtische Korridore und weitläufige Außenbezirke, kann die Auswirkungen auf Energie und Nachhaltigkeit erheblich verbessern“, sagte er und stellte fest, dass der Transport für einige Zeit stark von benzinbetriebenen Fahrzeugen abhängen wird.
Das Oak Ridge National Lab arbeitet an einem Teil des Problems in einem Projekt, bei dem Overhead-Kameras und Fahrbahnsensoren verwendet werden, um gasfressende Nutzfahrzeuge im Verkehr zu identifizieren. KI- und maschinelle Lernalgorithmen identifizieren die am wenigsten effizienten Fahrzeuge und verfolgen dann ihren Weg und ihre Geschwindigkeit, um die Verkehrssignale im Voraus zu ändern. Dies eliminiert ein gewisses Maß an ineffizientem Starten und Stoppen an Kreuzungen und minimiert den Kraftstoffverbrauch.
Die Tests werden an einem bestehenden intelligenten Korridor durchgeführt, der aus einer Partnerschaft zwischen dem Oak Ridge National Laboratory und dem Electric Power Board (EPB) von Chattanooga im Jahr 2014 im Rahmen der Entwicklung neuer Energietechnologien entstanden ist. Der Korridor verwendet Kameras, LIDAR, Radar, softwaredefinierte Radios, drahtlose Kommunikation und Sensoren für Luftqualität und Audio. Diese sammeln Informationen von ihren Plätzen an Masten entlang eines 10 Blocks langen Abschnitts des Martin Luther King Boulevard in der Innenstadt der Stadt. Unter dem Smart City-Testfeld befindet sich ein 10-Gbit / s-Glasfasernetz, das eine Datenübertragung in Echtzeit ermöglicht.
Intelligente KI-Kameras scheinen immer weiter verbreitet zu sein
Intelligente KI-Kameras werden das Verkehrsmanagement bis 2025 verändern. Dies geht aus einem neuen Bericht von ABI Research hervor, den Technologieanalysten in einem Bericht in SmartCitiesWelt. Die Kameras ermöglichen Bildverarbeitungsanwendungen wie die Erkennung und Alarmierung von Fußgängern.
Das Unternehmen geht davon aus, dass bis 155,000 mehr als 2025 AI-basierte Kameras im Einsatz sein werden, gegenüber 33,000 im Jahr 2020. Edge Analytics Cloud-Anwendungsfälle in Smart Cities und Intelligent Transportation Forschungsbericht, Zu den Verkehrsmanagementanwendungen gehören adaptive Ampeln, Priorisierung und Vorabentscheidung von Fahrzeugen, Zugang und Erkennung von Parkplätzen sowie elektronische Maut.
Laut Dominique Bonte, Vice President bei ABI Research, wird der Umsatz mit Kamerasystemen von 46 Mio. USD im Jahr 2020 auf 189 Mio. USD im Jahr 2025 steigen. „Fortschrittliche AI-fähige Prozessoren mit Hardwarebeschleunigung für leistungsstarke Software-Frameworks für neuronale Netze von Siliziumanbietern wie Intel, Nvidia und Qualcomm bringen intelligente Kameras in den Mainstream und bieten mehr Funktionen und Flexibilität zu niedrigeren Preisen im Vergleich zu herkömmlichem Datenverkehr und Elektronik Gebührenerfassungssensoren (ETC) wie Magnetschleifen und RFID (Radio Frequency Identification) “, erklärte er.
Ein Computernetzwerk mit geringer Latenz ist so optimiert, dass ein hohes Datenvolumen mit minimaler Verzögerung oder Latenz verarbeitet werden kann. Der Einsatz von 5G und Vehicle-to-Everything (V2X) Die Konnektivität ermöglicht es, Analysen mit geringer Latenz an den Rand von Telekommunikationsnetzwerken zu verlagern - die als Edge Cloud, Netzwerk Cloud, Multi Access Access Edge Computing (MEC) oder verteilte Cloud bezeichnet werden - und ermöglicht eine neue Reihe von Anwendungskategorien in größeren geografischen Gebieten, so ABI .
Dazu gehören:
- Straßenkreuzungsmanagement: kooperative adaptive Ampeln und Fernverkehrsmanagement;
- Sicherheitsmaßnahmen: Crowdsourcing-Warn- und Sicherheitswarnungen sowie ferngesteuerte Reaktionsmanagementsysteme, die an Lichtmasten, Gebäuden und anderen Straßenmöbeln installiert sind; und
- Autonomes Asset Management: Fernsteuerung und Betrieb von fahrerlosen Fahrzeugen, Drohnen und Robotern.
„In den meisten Fällen wird die Randwolke nicht den Straßenrand ersetzen, sondern die lokalen Sicherheits- und Schutzsysteme zu aggregierteren, kollektiveren, kooperativeren und ganzheitlicheren Lösungen ergänzen und verbessern, einschließlich der Versorgung städtischer digitaler Zwillinge mit umsetzbarer lokaler Intelligenz“, erklärte Bonte.
Texas A & M Team verwendet Deep Neural Network für Signal Controller
Forscher at Die Texas A & M University wendet verstärktes Lernen auf das Studium des Verkehrsmanagements an. Das Team wendet Lernalgorithmen an, die günstige Ergebnisse belohnen, um den Signalcontroller zu optimieren und Entscheidungen zu treffen, die den Betrieb verbessern. In diesem Fall wird die Entstehung von Verkehrsverzögerungen verringert.
Das Modell verwendet einen DNN-Algorithmus (Deep Neural Network) für maschinelles Lernen, der in der Regel unvorhersehbar und inkonsistent ist, was es schwierig macht, mit ihnen zusammenzuarbeiten, sagte Guni Sharon, Professor am Institut für Informatik und Ingenieurwesen bei Texas A & M, in einem Konto von Zukunft. Um dies zu überwinden, haben Sharon und sein Team einen Ansatz definiert und validiert, mit dem ein DNN in Echtzeit erfolgreich trainiert werden kann, während das, was es aus der Beobachtung der realen Welt gelernt hat, auf eine andere Steuerfunktion übertragen wird, die von Ingenieuren besser verstanden und reguliert werden kann.
Mithilfe einer Simulation einer realen Kreuzung stellte das Team fest, dass ihr Ansatz zur Optimierung der interpretierbaren Steuerung wirksam war, was zu einer Reduzierung der Fahrzeugverzögerung um bis zu 19.4% im Vergleich zu häufig eingesetzten Signalsteuerungen führte. Die Forscher sagten, es habe ungefähr zwei Tage gedauert, bis der Controller verstanden habe, welche Maßnahmen zur Minderung von Verkehrsstaus beitragen.
"Unsere zukünftige Arbeit wird Techniken untersuchen, mit denen der Lernprozess des Controllers beschleunigt werden kann, indem der Betrieb eines derzeit eingesetzten Controllers beobachtet wird, während gleichzeitig ein grundlegendes Leistungsniveau garantiert wird und daraus gelernt wird", erklärte Sharon.
Lesen Sie die Quellartikel unter GCN, SmartCitiesWelt und Zukunft.
