Por el personal de AI Trends
Los vehículos que se detienen en las luces rojas, que están en ralentí mientras esperan que las luces de señalización cambien y aceleran para volver a acelerar, desperdician combustible y agregan contaminantes al aire. Los vehículos en ralentí desperdician más de 6 mil millones de galones de gasolina y diésel combinados cada año, según el Departamento de Energía (DOE) estima.
Buscando una mejor manera, el DOE otorgó el año pasado $ 1.89 millones a investigadores de la Universidad de Tennessee-Chattanooga, la Universidad de Pittsburgh, el Instituto de Tecnología de Georgia, el Laboratorio Nacional Oak Ridge y la Ciudad de Chattanooga para crear un nuevo modelo para las intersecciones de tráfico que reduce el consumo de energía y mejora el flujo de tráfico.
El objetivo del proyecto es desarrollar un sistema de control de tráfico automatizado que reduciría el consumo de combustible a nivel del corredor en un 20%, mientras se mantiene un entorno de transporte seguro y eficiente. Los investigadores tienen la intención de aplicar la inteligencia artificial y el aprendizaje automático para respaldar una serie de aplicaciones de transporte inteligente, incluida la preferencia de vehículos de emergencia, prioridad de señal de tránsito y seguridad de peatones, según funcionarios de Pitt citados en una cuenta de GCN.
“Nuestros vehículos y teléfonos se han combinado para hacer que la conducción sea más segura, mientras que los sistemas de transporte inteligentes nacientes han mejorado la congestión del tráfico en algunas ciudades. El siguiente paso en su evolución es la fusión de estos sistemas a través de la IA ”, afirmó Aleksandar Stevanovic, director del Laboratorio de Sistemas de Transporte Inteligente de Pittsburgh. “La creación de un sistema de este tipo, especialmente para los corredores urbanos densos y los exurbanos extensos, puede mejorar enormemente los impactos energéticos y de sostenibilidad”, dijo, y señaló que el transporte dependerá en gran medida de los vehículos a gasolina durante algún tiempo.
Oak Ridge National Lab está trabajando en parte del problema, en un proyecto que utiliza cámaras aéreas y sensores de carreteras para identificar camiones comerciales que consumen mucha gasolina en el tráfico. Los algoritmos de inteligencia artificial y aprendizaje automático identifican los vehículos menos eficientes, luego rastrean su camino y velocidad para cambiar las señales de tráfico más adelante. Esto elimina cierto grado de arranque y parada ineficaces en las intersecciones y minimiza el consumo de combustible.
Las pruebas se están realizando en un corredor inteligente existente construido a partir de una asociación de 2014 entre el Laboratorio Nacional Oak Ridge y la Junta de Energía Eléctrica (EPB) de Chattanooga como parte de un esfuerzo por desarrollar nuevas tecnologías energéticas. El corredor emplea cámaras, LIDAR, radar, radios definidas por software, comunicaciones inalámbricas y sensores para la calidad del aire y el audio. Estos recopilan información de sus lugares en postes a lo largo de una sección de 10 cuadras de Martin Luther King Boulevard en el centro de la ciudad. Una red de fibra de 10 Gbps es la base del banco de pruebas de la ciudad inteligente, lo que permite la transmisión de datos en tiempo real.
Las cámaras inteligentes con inteligencia artificial se vuelven más generalizadas
Las cámaras inteligentes de inteligencia artificial transformarán la gestión del tráfico para 2025, según un nuevo informe de ABI Research, analistas de tecnología, descrito en una cuenta en SmartCitiesMundo. Las cámaras permitirán aplicaciones de visión artificial como la detección y alerta de peatones.
La compañía proyecta que más de 155,000 cámaras basadas en IA estarán en uso para 2025, frente a 33,000 en 2020. En las Casos de uso de la nube de Edge Analytics en ciudades inteligentes y transporte inteligente Informe de investigación, Las aplicaciones de gestión del tráfico incluyen semáforos adaptables, priorización y preferencia de vehículos, acceso y detección de estacionamientos y peaje electrónico.
Los ingresos por sistemas de cámaras crecerán de 46 millones de dólares en 2020 a 189 millones de dólares en 2025, según Dominique Bonte, vicepresidente de ABI Research. Los procesadores avanzados con capacidad de inteligencia artificial que cuentan con aceleración de hardware para marcos de software de redes neuronales de alto rendimiento de proveedores de silicio como Intel, Nvidia y Qualcomm están impulsando las cámaras inteligentes a la corriente principal, ofreciendo más funciones y flexibilidad a precios más bajos en comparación con el tráfico heredado y la electrónica. sensores de cobro de peajes (ETC) como bucles magnéticos e identificación por radiofrecuencia (RFID) ”, afirmó.
Una red informática de baja latencia es aquella que está optimizada para procesar un gran volumen de mensajes de datos con un retraso o latencia mínimos. El despliegue de 5G y de vehículo a todo (V2X) La conectividad permitirá mover los análisis de baja latencia al borde de las redes de telecomunicaciones, lo que se conoce como nube de borde, nube de red, computación de borde de acceso múltiple (MEC) o nube distribuida, permitirá una nueva gama de categorías de aplicaciones en áreas geográficas más grandes, prevé ABI .
Estos incluirán:
- gestión de intersecciones de carreteras: semáforos adaptativos cooperativos y gestión remota del tráfico;
- operaciones de seguridad y protección: alertas de peligro y seguridad de colaboración colectiva y sistemas de gestión de respuesta controlados a distancia instalados en postes de luz, edificios y otro mobiliario urbano; y
- gestión autónoma de activos: control remoto y operación de vehículos sin conductor, drones y robots.
"En la mayoría de los casos, la nube de borde no reemplazará el borde de la carretera, sino que complementará y mejorará los sistemas de seguridad y protección locales en soluciones más agregadas, colectivas, cooperativas y holísticas, incluida la alimentación de gemelos digitales urbanos con inteligencia local procesable", afirmó Bonte.
El equipo de Texas A&M utiliza una red neuronal profunda para el controlador de señales
Investigadores at La Universidad de Texas A&M está aplicando el aprendizaje por refuerzo al estudio de la gestión del tráfico. El equipo está aplicando algoritmos de aprendizaje que recompensan los resultados favorables en un esfuerzo por optimizar el controlador de señal para tomar decisiones que mejoren las operaciones, en este caso, una reducción en la acumulación de retrasos en el tráfico.
El modelo utiliza un algoritmo de aprendizaje automático de red neuronal profunda (DNN), que tiende a ser impredecible e inconsistente en la toma de decisiones, lo que dificulta trabajar con ellos, dijo Guni Sharon, profesor del Departamento de Ciencias de la Computación e Ingeniería. en Texas A&M, en una cuenta de Futuro. Para superar esto, Sharon y su equipo definieron y validaron un enfoque que puede entrenar exitosamente a un DNN en tiempo real mientras transfiere lo que ha aprendido al observar el mundo real a una función de control diferente que los ingenieros pueden entender y regular mejor.
Usando una simulación de una intersección real, el equipo descubrió que su enfoque era efectivo para optimizar su controlador interpretable, lo que resultó en una reducción de hasta un 19.4% en la demora del vehículo en comparación con los controladores de señales comúnmente implementados. Los investigadores dijeron que el controlador tardó aproximadamente dos días en comprender qué acciones ayudan a mitigar la congestión del tráfico.
“Nuestro trabajo futuro examinará técnicas para reactivar el proceso de aprendizaje del controlador mediante la observación del funcionamiento de un controlador actualmente implementado, al tiempo que se garantiza un nivel de referencia de rendimiento y se aprende de eso”, afirmó Sharon.
Lea los artículos fuente en GCN, SmartCitiesMundo y Futuro.
