计算机视觉系统能让车辆节省燃油消耗

余秋云 发表于 2020-04-10 17:14:11 收藏 已收藏
赞(0) •  评论(0

计算机视觉系统能让车辆节省燃油消耗

余秋云 发表于 2020-04-10 17:14:11
+关注

车辆在红绿灯前等待,或者在交通拥挤时,让发动机空转,会浪费掉很多燃料。为此,美国ORNL研发出一个计算机视觉系统,以指减少车辆燃油消耗。

盖世汽车讯 据美国能源部估计,因车辆在红绿灯前等待,或者在交通拥挤时,让发动机空转,美国每年大约会浪费掉60亿加仑的燃料。而在此类车辆中,燃油效率最低的就是用于运输货物的大型重型卡车,在不行驶时消耗的燃料比乘用车多得多。

计算机视觉系统能让车辆节省燃油消耗

(图片来源:ORNL)

据外媒报道,现在,美国橡树岭国家实验室(ORNL)的研究人员设计出了一个计算机视觉系统,该系统采用之前已经上市、田纳西公司GRIDSMART(专注于提供交通管理服务)的交通灯摄像头,能够直观地看到十字路口的车辆,估计其油耗,然后指导交通信号灯,让效率较低的车辆继续移动,以减少其燃油消耗。

要证明该系统可与现有的技术共同发挥作用是一个复杂的难题,需要将许多不同的部分组合在一起,如高科技摄像头、车辆数据集、人工神经网络以及计算机交通模拟。

为了让此种基于摄像头的控制系统能够工作,首先需要在交通繁忙的十字路口安装智能摄像头以捕捉车辆的图像,并配备数据传输设备。此种摄像头早已存在,其中就包括GRIDSMART公司生产的一款。

目前,GRIDSMART的摄像头系统已经在全球1200个城市安装,取代了传统的地面传感器,取而代之的是安装在头顶的鱼眼摄像头,能够提供三镜头视觉跟踪,让交通信号灯的执行实现最优。该款钟形摄像头与运行GRIDSMART客户端软件的处理器单元连接在一起,后者为市政交通工程师提供了非常详细的信息,如交通指标、交通事故的无障碍视图等。

此类数据可用于调整交叉口的交通灯定时,从而改善交通流量。此外,在规划建设或变道时,可以将车辆数量考虑在内,并帮助衡量交通管制变化带来的影响。

2018年2月,该团队的第一步是使用GRIDSMART摄像头创建车辆类别图像数据集。由于GRIDSMART摄像头安装方便,已经安装在ORNL园区,该团队还采用了ORNL正在研发的地面式路边传感器系统,从而能够将头顶的图像与高精度的地面视图相结合。

一旦利用商用软件应用了车辆分类标签,加上DOE的燃油经济性评估,该团队就会得到一个独特的数据集,以训练用于识别车辆的卷积神经网络。

由此得到的ORNL日常车辆数据集(Overhead Vehicle Dataset)表示,GRIDSMART摄像头确实能够成功捕捉到有用的车辆数据,截至2018年9月,收集了大约12600辆车的图像,其“地面实况”标签(品牌、型号和MPG估计)跨越了474种分类。不过,ORNL成像、信号和机器学习小组的研发人员Thomas Karnowski认为,此类分类不够多,不足以有效地训练一个深度学习网络,而且该团队在该项为期一年的项目中,并没有足够的时间收集更多的信息。所以,到哪里去找到一个更大、更精细的车辆数据集呢?

Karnowski想到了斯坦福大学研究员Timnit Gebru进行的一个车辆图像项目,该项目从谷歌街景图(Google Street View)图像中识别出了2200万辆汽车,并分成了2600多个类别(如品牌和型号),然后再将其与人口统计数据进行关联。在Gebru的许可下,Karnowski下载了该数据集,随后,该团队准备进行该项目的第二步,创建一个神经网络。

该团队利用深度学习多节点进化神经网络(MENNDL)打造了另一个神经网络,用于比较。MENNDL是由ORNL计算机数据分析小组研发的高性能计算软件堆栈。MENNDL使用了一种进化算法,该算法不仅可以创建深度学习网络,还可以动态地改进网络设计。通过自动结合和测试数百万个“父”网络,以生成性能更高的“子”网络,MENNDL培育出了优化神经网络。

Karnowski的团队利用Gebru的训练数据集,在橡树岭领导计算设施(位于ORNL的国家能源部科学用户办公室设施)内,在现已退役的Cray XK7泰坦计算机(曾以27千万亿此浮点运算被评为世界上最强大的超级计算机)上运行了MENNDL。Karnowski表示,虽然MENNDL产生了一些新的架构,但是其网络分类结果的准确性没有超越该团队的AlexNet派生网络。有了额外的训练时间和训练图像数据,Karnowski相信,MENNDL能够创造一个更理想的网络。

由于无法在城市十字路口网络内配备GRIDSMART交通信号灯,Karnowski的团队转而使用计算机模拟来测试该系统。城市移动出行模拟(SUMO)是一个开源模拟套件,能够让研究人员对交通系统进行建模,其中包括车辆、公共交通,甚至行人。SUMO还可实现定制建模,所以Karnowski的团队能够将其应用到项目中。在SUMO模拟环境中,该团队增加了一个“视觉传感器模型”,从而可以利用强化学习来引导交通信号灯控制器网络,减少大型车辆的等待时间。

研究人员在各种交通场景下测试了该方法,以评估视觉传感的燃油节省能力。在某些含有大型卡车的使用场景下,该方法可以节省高达25%的燃料消耗,而且对等待时间的影响最小。在其他场景中,模拟系统对使用重型卡车的场景进行训练,不过在更加平衡的测试交通条件下评估了视觉传感的燃油节省能力。研究团队并没有对节省的费用进行量化,不过经过训练的强化学习控制能够很容易适应新环境。

上述所有测试仅限于建立概念验证,还需要更多工作以准确评估此种方法的影响。Karnowski希望继续采用更大的数据集、经过改进的分类器以及更广泛的模型,来研发该系统。GRIDSMART公司则认为该项目提供了一种为客户提供新服务的前景。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容图片侵权或者其他问题,请联系本站作侵删。 侵权投诉

收藏

相关话题

评论(0)

加载更多评论

分享到

QQ空间 QQ好友 微博
取消