بهبود حمل و نقل هوشمند با ترکیب داده های سنسورها

جاده هوشمند جاده هایی که می توانند داده های مختلفی را با استفاده از تجهیزات اینترنت اشیا جمع آوری کرده و به این ترتیب ترافیک را در جاده ها مدیریت می کنند با قابلیت های پیشرفته سنجش وسایل نقلیه می توانند محور سیستم های حمل و نقل هوشمند آینده باشند و حتی می توانند به افزایش برد سامانه های خودکار خودرو های بدون راننده کمک کنند. روش جدیدی که دوربین ها و داده های رادار را ترکیب می کند، می تواند خودرو ها را تا500 متری با دقت بالا ردیابی کند.

داده های در لحظه در مورد تراکم ترافیک می تواند به مدیران شهر کمک کند تا از ازدحام جمعیت و اتفاقات غیر مترقبه جلوگیری کند. این سیستم ها که با نام ادراک کنار جاده، با استفاده ازسنسورها و دوربین هایی که خودروها را دنبال می کنند، می توانند به ایجاد جاده های هوشمندی کمک کند که به طور مداوم این اطلاعات را جمع آوری کرده و آن را به اتاق های کنترل منتقل کند.

جاده ها و حمل و نقل هوشمند نیازمند ابزارهای تخصصی برای شناسایی و مدیریت خودروها هستند. محققان دانشگاه علوم و فناوری چین، موفق به توسعه روشی جدید برای ترکیب داده های سنسورها برای افزایش کیفیت و دقت شناسایی خودرو ها شده اند. مقاله زیر ترجمه ای از مقاله ای با عنوان مشابه در حوزه جاده ها و حمل و نقل هوشمند از IEEE است. شما را به مطالعه آن دعوت می کنیم:

کاهش تعداد سنسورها و افزایش کیفیت حمل و نقل هوشمند با ترکیب داده های سنسورها

یانیونگ ژانگ، علوم کامپیوتر در دانشگاه علم و فناوری چین(USTC) می گوید: نصب تعداد زیاد حسگر کنار جاده می تواند گران باشد و نگهداری آن قطعا زمانبر خواهد بود. برای مقرون به صرفه کردن حمل و نقل هوشمند، باید تا حد امکان از سنسور های کمتری استفاده کرد، که به این معنی است که حسگر ها باید بتوانند و سایل نقلیه را در فواصل قابل توجه ردیابی کنند.

تیم او با استفاده از یک رویکرد جدید سیستمی ایجاد کرده که با استفاده از دوربین هایی با کیفیت بالا می تواند موقعیت خودروها را با دقت 1.3 متری در برد 500 متری مشخص کند.

ژانگ همچنین می گوید: اگر بتوانیم برد را تا جای ممکن افزایش دهیم، می توانیم تعداد حسگرهای مورد نیاز را کاهش دهیم.

به گفته ژانگ، دوربین ها و رادار ها گزینه های کم هزینه و مناسبی برای ردیابی وسایل نقلیه هستند، اما در فواصل بیشتر از 100 متر عملکرد ضعیفی دارند. ادغام داده های رادار و دوربین می تواند به طور قابل توجهی برد را افزایش بدهد. اما این کار مستلزم حل طیف گسترده ای از چالش ها و مسائلی است که سنسورهای مختلف بوجود می آورند.

به بیان دیگر؛ درحالی که دوربین ها و سنسور ها در حال گرفتن تصاویر دو بعدی هستند، خروجی رادار ها سه بعدی است. به گفته ژانگ، اکثر رویکرد های تلفیق دوربین و رادار تا امروز به سادگی، داده های دوربین را صورت نمای بالا نشان داده اند. ولی دانشمندان و محققین بر این باورند که این روش بهینه نیست.

برای درک بهتر مسئله، یک تیم تحقیقاتی یک عدد رادار و یک دوربین  و  یک سیستم lidar را در انتهای مسیر مستقیم بزرگراهی در نزدیکی انشگاه نصب کردند. علاوه بر آن، با راندن دو خودرو مجهز به سیستم بسیار دقیق GPS در جاده مذکور، سنسورها را کالیبره کردند.

یائو لی یکی از شاگردان خانم ژانگ، سپس آزمایش هایی را با داده های جمع آوری شده توسط حسگر ها انجام دادند. بر اساس نتایج آزمایش های او، تبدیل داده های رادار های سه بعدی به داده های دوبعدی منجر به کاهش قابل توجه خطای مکان یابی در بردهای طولانی تر، در مقایسه با رویکرد استاندارد می شود.

این روش علاوه بر قابلیت مکان یابی دقیق در فواصل بالا تا 500 متری، میانگین دقت ردیابی در فواصل کوتاه تر نیز تا 32 درصد در مقایسه با رویکردهایی قبلی افزایش می دهد.

از طرفی استفاده بیشتر از یک حسگر نیازمند همزمان سازی با دقت بالاست تا از تطابق جریان های دادن اطمینان حاصل شود. با گذر زمان اختلالات محیطی باعث فاصله گرفتن نتایج سنسورها می شود. به این ترتیب لازم است مرتبا خودروی مجهز به GPS در بزرگراه حرکت کند تا سنسورها کالیبره شوند.

هزینه مالی و زمانی کالیبره کردن به صورت ذکر شده بالا است. فرایند نمایش داده های رادار بر روی تصویر دو بعدی توسط یک ماتریس تبدیل بر اساس پارامتر های حسگرها و اندازه گیری های فیزیکی انجام شده و در طول این فعالیت کالیبراسیون کنترل می شود. زمانی که داده ها مرتب شدند، یک الگوریتم برای همزمان کردن خودکار داده ها و پیکسل ها استفاده می شود.

اگر فاصله بین این نقاط داده افزایش پیدا کند، نشان دهنده این است که با فعالیت بیشتر داده ها، ماتریس تبدیل در حال از دست دادن دقت خود است. با ردیابی دقیق این کاهش، محققین متوانند به طور خودکار ماتریس تبدیل را برای کاهش خطا تنظیم کنند. هرچند این کار تا جایی جواب می دهد و نهایتا نیاز با استفاده از خودروهایی برای کالیبره کردن سنسورهاست.

ژانگ معتقد است که این سسیستم برای استفاده در دنیای واقعی مناسب است. وی همچنین بر این باور هست که علاوه بر ارائه داده های بهتر برای حمل و نقل هوشمند، این سیستم می تواند آگاهی محیطی بهتری برای خودروهای خودران فراهم کند.

وی افزود: «این کمی آینده نگرانه است، اما بیاید تصور کنیم که در فاصله 100 متر اتفاقی غیرمنتظره رخ بدهد و ماشین ما از آن آگاه نیست، چرا که حسگرهای آنها قادر به تشخیص از آن مصافت نیست. اما حسگر های کنار بزرگراه می توانند این اطلاعات را به خودروهای در حال حرکت در جاده بدهند تا آن ها کمی محتاط تر باشند یا مسیر دیگری را انتخاب کنند.