NSDT工具推荐Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包

在过去的几百年里,交通运输行业经历了多次变革和革命,现在正处于交通运输领域人工智能取得重大突破的阶段。

无论是通过自动驾驶汽车提高可靠性、路况监控提高安全性,还是通过交通流分析提高效率,人工智能都吸引了世界各地交通运输企业的目光。

事实上,交通运输领域的许多人已经认识到AI的巨大潜力,预计到 2026 年全球市场将达到 38.7 亿美元。

此类支出可以帮助公司利用计算机视觉和机器学习等先进技术来塑造交通运输的未来,从而提高乘客安全、减少道路事故并减少交通拥堵。

交通领域的深度学习和机器学习也有助于创建“智慧城市”,就像我们在格拉斯哥看到的那样,该技术可以监控车辆停留时间、违规停车和交通密度趋势。

1、自动驾驶汽车

自动驾驶汽车的概念并不新鲜。 通用汽车公司早在 1939 年就推出了它。

但只有在当前的人工智能交通时代,公司才能够使用目标检测等计算机视觉技术来创建智能系统,解码并理解视觉数据,从而从本质上允许车辆自动驾驶。

虽然自动驾驶汽车听起来很复杂,但构建其背后的人工智能的想法实际上很简单:算法被输入大量相关数据,然后接受训练以检测特定物体,然后采取正确的行动,例如制动 、转弯、加速、减速等。

模型需要识别哪些对象?

道路上的其他车辆、路标、交通灯、车道标记、行人等。

为了收集和使用数据,自动驾驶汽车使用摄像头和传感器。 为了训练模型并使其可靠,需要持续为其提供大量数据。

当然,仍然存在一些挑战。

算法需要访问大量相关数据,而恶劣天气和不平坦地形等情况也可能会带来问题。 其他问题包括照明不佳以及自动驾驶汽车在路上遇到不明物体的可能性。

当然,当我们许多人想到自动驾驶汽车时,我们会自然而然地想到特斯拉。

特斯拉与 Uber、Waymo 和 Motional 等公司一样,多年来一直致力于自动驾驶汽车的研究,始终保持领先一步。

与交通行业人工智能领域的其他公司不同,特斯拉采用纯粹基于视觉的方法,使用配备摄像头的汽车来收集视频和图像数据,而无需在自动驾驶栈中使用高清地图和激光雷达。

从技术角度来看,这实际上是一种更复杂的方法,很大程度上是因为神经网络仅在视频数据上进行训练,因此实现尽可能高的准确性的需求变得至关重要。

然而,Karpathy指出:

一旦你真正让它发挥作用,它就是一个通用视觉系统,主要可以部署在地球上的任何地方。

特斯拉的自动驾驶团队也积累了大量数据,多达 1.5 PB 的数据,其中包括 1,000,000 个 10 秒视频和 6,000,000,000 个物体,每个物体都带有速度、深度和边界框注释。

这并不是说特斯拉完全依赖手动数据标注。 相反,它通过将人工审核与自动标注工具相结合来改进标注过程。

人工智能系统仅限于自动驾驶汽车,它们还用于卡车、公共汽车和机场税,这些创新对物流和整个供应链中的人工智能产生了巨大影响。

事实上,麦肯锡预测自动驾驶卡车将降低运营成本约 45%。 对环境的影响也将大大减少。

在本文的其余部分,我们将更仔细、深入地研究一些为自动驾驶技术奠定基础的更具体的计算机视觉和机器学习案例。

2、交通信号灯检测

仅在美国就有数千个交通灯。 虽然你可能认为红灯停车是一个简单的过程,但事实上,在美国,每年约有 1,000 人因闯红灯的车辆而不必要地丧生,这意味着整件事是一个非常危险、危险的过程。 甚至是复杂的游戏。

这也是一场带来悲惨后果的游戏,超过 50% 的死亡是由没有闯红灯的乘客或司机造成的。

问题在于交通灯系统本身可能是完美的,但方向盘后面的人类并不总是完美的。 错误时有发生,有时司机会闯红灯,从而引发事故。

这个可怕问题的解决方案可以在自动驾驶汽车中找到,它与智慧城市一起可以防止这些死亡。

事实上,汽车制造商正在将交通信号问题置于其自动驾驶汽车功能的首要和中心位置。

基于人工智能的系统可以通过计算机视觉模型进行训练,识别绿色、琥珀色和红色的灯光,这些模型在各种场景下进行训练,例如光线条件差、恶劣天气和遮挡等。

因此,自动驾驶汽车的摄像头首先会发现交通信号,然后对图像进行分析和处理,如果发现信号灯是红灯,汽车就会踩刹车。

当然,这里也有问题。 当摄像头扫描前方的物体时,它可能会发现其他灯光,例如广告牌或路灯。 是的,交通信号灯与路灯不同,它有三个灯,但图像分析器的功能仍然需要足够好,以便它可以立即发现交通信号,而不会被其他信号灯愚弄。

如果被愚弄,结果可能是毁灭性的。

当标注数据以进行交通流检测时,需要使用两种常见方法之一:

  • 单独标记灯和外壳(最常见)
  • 使用活动灯的颜色来定义每个交通灯对象类

你还可以单独标记杆和灯。

每当智慧城市为自动驾驶汽车提供接近传感功能时,了解其支撑结构是了解自由浮动物体位置的唯一方法。

这种标注方式还可用于确定多个车道中出现的彼此的交通信号灯,每组信号灯相互关联并分组到下面的车道。

这篇论文探讨了一种使用卷积神经网络的交通灯检测和识别方法。

研究人员利用地图数据和一对独立焦距相机来检测不同距离的交通灯,提出了一种独特的光识别算法,该算法将图像分类与对象检测相结合,以识别交通灯的光状态类别。

研究人员还将 YOLOv3 集成到他们的实时交通灯检测方法中,以获得更好的结果。

这是该过程的简化表示图:

所提出的方法未能达到 100% 的准确性。 由于交通灯检测和识别需要100%的准确率,以确保乘客和行人的安全,因此需要改进。

3、行人检测

如果计算机系统能够自动发现并识别图像和视频中的行人,那该有多酷?

此外,如果我们可以创建一个模型,让自动驾驶汽车能够理解行人的意图,以便他们能够实时知道(例如)行人是否打算过马路?

这样的系统肯定会帮助自动驾驶汽车避开危险情况,并有可能大幅减少道路事故。

行人检测实际上是计算机视觉和模式识别中的一个关键问题,因为行人在道路交通中可能是超级不可预测的。 它们是如此难以预测,以至于成为自动驾驶汽车成功的最大威胁之一。

关键不一定是系统能够识别特定的人类特征,例如胡须和鼻子,而是它能够正确区分人类和其他物体,并了解行人下一步打算做什么。 因此,他们会过马路吗?

为了开始识别和可视化行人的任务,计算机视觉系统使用边界框。

为了检测行人,使用了不同类型的特征,包括基于运动的特征、基于纹理的特征、基于形状的特征和基于梯度的特征。

一些方法还结合了人体姿势估计,这是一种整理有关特定主体(在本例中为人类)即时行为信息的技术。 其目的是向自动驾驶汽车传递有关行人下一步打算做什么的信息。

例如,这篇论文研究了如何通过深度学习网络使用 2D 骨骼姿势序列来预测行人的意图。 研究人员希望创建一个模型,能够明确地告诉他们行人是否要过马路。

他们将人体骨骼的动态与意图联系起来,以克服典型交通环境中实时谨慎的意图预测的问题。

实验结果表明,基于 JAAD 数据集的 SPI-Net 在人行横道预测中取得了 94.4% 的准确率。

这是该过程的简单示意图:

当然,训练数据仍然存在需要克服的挑战,其中包括不同场景下不同的照明参数、行人穿着的不同姿势和服装以及不断变化的照明条件。

后一个问题因机器视觉和摄像头的使用而受到阻碍,这就是为什么需要更先进的技术来提供更准确的数据,然后可以使用这些数据在所有照明条件下成功识别行人。

此外,机器学习算法的成功率将决定行人检测最终的成功程度。

4、交通流量分析

交通流量无论好坏都会影响一个国家的经济,也会影响道路安全。 交通拥堵会耗费金钱和时间,给司机和乘客带来压力,还会导致全球变暖。

有了更好的交通流量,一个国家的经济就能更好地发展,道路使用者的安全也将得到不可估量的提高。

考虑到这一点,人工智能现在正在为使用机器学习和计算机视觉进行更好的交通流分析铺平道路也就不足为奇了。 人工智能可以帮助减少瓶颈并消除阻塞我们道路和经济的阻塞点。

由于计算机视觉的进步,基于无人机和摄像头的交通流量跟踪和估计现在已经成为可能。

这些算法能够准确跟踪和统计高速公路交通量,并分析城市环境中的交通密度,例如高速公路和十字路口。 这有助于城镇了解正在发生的情况,以便他们能够设计更高效的交通管理系统,同时提高道路安全。

闭路电视摄像机可以发现危险事件和其他异常情况,并提供对高峰时段、阻塞点和瓶颈的洞察。 它还可以量化和跟踪一段时间内的变化,以便测量交通拥堵情况。 因此,城市规划者可以大大减少城市交通和排放。

Flir、Viscando 和 SwissTraffic 等公司一直在使用人工智能来处理交通流量,其中 Viscando 使用立体视觉技术来监控和控制交通。

Viscando 的系统监控十字路口和其他开放区域的交通流量,它可以同时发现和跟踪各种车辆、行人和自行车。

这些功能确保 Viscando 能够跟踪交通灯处道路使用者的轨迹,识别冲突风险并计算道路使用者在汽车之间留下的间隙。

正如 Viscando 首席执行官 Amritpal Singh 所说:

它还为城市提供了更多关于十字路口如何运作、队列长度和等待时间持续时间的数据,并且能够将行人和骑自行车的人纳入同一优化方案中。

这篇论文提出了一个包含大量动作和类的框架,以更好地进行车辆计数。 研究人员使用先进的深度学习方法进行车辆检测和跟踪,以及允许他们监控车辆运动的轨迹方法。

研究人员希望改进交通量统计过程,这本身就是一项复杂的任务,因为它基于闭路电视系统。 问题一直是涉及太多的车辆移动。 如果研究人员能够实施区分区域跟踪来监控车辆的不同运动,他们就可以改进计数过程。

实验结果令人鼓舞,模型对不同运动的准确度达到 80% 到 98%,所有这些都只需相机的一个视图。

除了增加交通流量之外,人工智能还补充了可持续发展等其他智慧城市目标。

5、计算机视觉驱动的停车管理

你是否曾花费很长时间寻找停车位?

哎呀,谁没有呢!

停车位问题在当今社会如此普遍,以至于世界顶级喜剧演员都拿它开玩笑。 伍迪·艾伦打趣道:“宇宙每秒都在膨胀,但我还是找不到停车位。”

Senfeld甚至制作了两集有关停车位的剧集。

当然,寻找停车位实际上并不好笑。 这可能会带来巨大的压力(并且对环境不利),而解决停车场问题是世界各地城镇都在努力解决的问题。

计算机视觉如何用于停车管理?

我们首先从传感器开始。

安装传感器来监控停车场是否有空位。 每当车辆停在某个空间时,传感器就能够计算到其底部的距离。

但由于传感器无法扫描车牌,因此摄像头、停车计时器和计算机视觉需要介入。

因此安装了摄像头,使用计算机视觉来识别没有仪表的地点。 利用自动车牌技术,他们可以发现停放的车辆,并测量停放的时间。

然后,计算机视觉可以使用数据实时更新所有空置和可用空间的库存。 然后,驾驶员可以访问移动设备上的地图,查看所有可用的停车位。 这可以节省大量时间,在机场等过度拥挤的停车场尤其有用。

该系统也已投入使用,城镇和城市在停车引导和信息 (PGI) 系统中使用计算机视觉来进行视觉停车场占用检测。

此外,与基于传感器的技术相比,它是一种更实惠的选择——这些技术价格昂贵,而且需要经常维护。

例如,Zensors 已经利用计算机视觉进行停车管理。 他们有一个平台,可以逐个跟踪停车位占用情况,并引导司机找到可用停车位。 他们的人工智能系统“允许机场交通管理者提供可用停车位的路线导航,最大限度地延长旅客在空侧购物和餐饮设施的时间。”

6、路况监测

坑洼损坏是美国的一个主要问题,据估计,坑洼损坏每年给司机造成的损失超过 30 亿美元。

然而多年来,路况监测很大程度上掌握在公民手中,他们的“任务”是提高当地议会对受损道路的认识。

现在,人工智能交通中的计算机视觉可以成功检测缺陷,并通过寻找沥青和混凝土的变化来评估周围的基础设施。

计算机视觉算法能够识别坑洼,并准确显示道路损坏程度,以便相关部门采取行动并改善道路维护。

这些算法的工作原理是收集图像数据,然后对其进行处理以创建自动裂纹检测和分类系统。 然后,这些将促进有针对性的康复和预防性维护,并且无需人工参与。

换句话说,公民不再有责任报告坑洼和其他道路损坏情况。 相反,人工智能系统将实时更新,以便更快地采取行动。 这节省了时间和金钱。

自动路面破损(PD)检测的总体目标是提高道路维护分配效率,同时提高道路安全性,从而大大减少事故。

目前有许多人工智能驱动的道路维护项目正在运营,其中包括 The RoadEye,该项目利用运输中的机器学习和计算机视觉来克服路面损坏问题。

The RoadEye 项目将使用集成系统进行实时路况监测。 摄像头将与嵌入式系统相结合,集成到完整的 ADAS 系统中,该系统本身将通过机器学习实时跟踪其行驶的任何路面的状况。

The RoadEye 开发的机器学习技术会将道路状况分为不同类别,例如“潮湿”或“正常”,并且还会检测道路表面的不规则情况,包括坑洼。

The RoadEye 的目标包括使用汽车创建完整的道路图像数据集,然后在所述数据集上训练计算机视觉技术。 该数据集将在国家层面进行整理,然后将用于 ADAS 应用程序。

The RoadEye 还有其他用途。 例如,它可以在道路结冰时向驾驶员发出警告,提高驾驶员的保持力,从而节省燃油,并让他们在驾驶时更加安心。

7、自动交通事件检测

交通事件检测是 ITP(智能交通系统)和人工智能交通领域研究最深入的领域之一。

毕竟,只要有交通,就总会发生事故,并且总会出现堵塞。

对于那些负责保持道路畅通的人来说,这是一个问题,因为最终目标是确保交通畅通,尽可能减少干扰。

多年来,视频监控在跟踪道路网络和交叉口方面一直发挥着重要作用。 它为交通管理中心提供事件和交通流量的实时视图,使负责人员能够尽快做出响应。

然而,人类的能力是有限的,不可能同时监控每一个摄像头。 由于任务一直是手动的,因此并不总是能立即检测到事件,因此延误时间很长。

这就是自动事件检测的用武之地。

它使用计算机,并将传感器与计算机视觉相结合,持续监控所有摄像头,留意事件、队列和异常交通状况。

它是如何运作的?

城市道路网络配备了闭路电视摄像机和多个探测器。 它们共同为自动化、不间断的监控奠定了基础。

在计算机视觉的支持下,探测器能够提供持续的数据流,帮助 TMC 进行交通运营。

每当交通状况出现异常时,控制中心操作员都会收到警报,并且他们能够尽快对人工智能驱动系统检测到的任何事件做出响应。

为了收集数据,自动事件检测依靠闭路电视摄像头和车内感应回路。

已经创建了用于自动事件检测的系统。 例如,ClearWay 已经足够复杂,能够在事件发生后的前十秒内发现事件。 该系统可在任何照明和天气条件下工作,可在十字路口、隧道、开放道路上使用,并且在设计时考虑到了智慧城市。

同时,误报率仅为每个传感器每天一次,其 AID 雷达覆盖范围长达 1,000m。

它能够检测到的不同类型的事件包括:

  • 碎片检测
  • 行人检测(和动物)
  • 静止车辆
  • 逆行行驶的车辆
  • 车辆太快或太慢

8、自动车牌识别

自动车牌识别涉及使用连接在高速公路立交桥和路灯杆上的计算机视觉摄像头系统来捕获车牌号码以及位置、日期和时间。

捕获图像后,数据就会被输入中央服务器。

自动车牌识别可以使用专门为此目的设计的新摄像头系统,也可以使用现有的闭路电视以及道路规则执法摄像头。

为什么需要自动车牌识别?

警方通常使用它来帮助他们证实证据。 例如,犯罪现场是否存在颗粒车辆? 有人有合法的不在场证据吗?

然而,自动车牌识别也可用于发现出行模式,并广泛应用于高度监控、停车管理和收费管理。

警察部队收集的信息是否与其他机构共享取决于具体执法机构本身。

自动车牌识别并不像交通检测和路况监控等其他交通问题那么紧迫。 因此,围绕它的问题,例如更多的政府支出和高错误率,被认为是有争议的。

此外,事实上,自动车牌识别在理论上可以了解驾驶员生活的私密细节,并了解谁可能参加抗议活动或参观枪支商店等,这意味着公众的支持时好时坏。

毕竟,司机不能选择不让自己的车牌被看到。

9、驾驶员监视

在美国,每年因困倦和疲劳导致的交通事故约 56,000 起,死亡人数多达 1,500 人。

根据此类统计数据,英国政府将驾驶员疲劳视为“需要解决的驾驶员行为的主要领域之一”。

个人责任必须纳入其中,但正如那些令人震惊的统计数据所显示的那样,这还不够。 要求司机更加小心驾驶并不能消除人为错误。

计算机视觉现已被添加到汽车驾驶室中,以便更好、更安全地监控驾驶员。 该技术利用人脸检测和头部姿势估计来监视困倦和情绪识别等情况,每年可以防止数千起车祸和死亡。

这非常重要,因为许多驾驶员不愿意承认自己感到疲劳,或者感觉有点困会影响他们的驾驶能力。 人工智能驱动的技术可以在司机因疲劳而驾驶受到严重影响时发出警报,并建议他们靠边停车休息。

这确保了驾驶员、乘客以及其他道路使用者的安全。

该技术被证明有用的其他领域包括分散驾驶员注意力。 如果驾驶员分心(例如,由于移动设备而分心),技术可以立即提醒他们保持专注于道路。 其他干扰可能包括与后座乘客聊天,这会在驾驶员没有意识到的情况下影响他们的注意力。

Eyedentify 已经开发出一种检测驾驶员疲劳和分心的解决方案。 他们的系统能够实时提醒驾驶员保持专注并将注意力集中在道路上。

10、交通领域的人工智能:最终想法

交通领域的人工智能正在利用重要的先进技术,例如提高安全性的交通大数据和提高效率的机器学习,从而使城镇和城市以及智慧城市能够减少道路事故数量,改善交通状况。 流量,甚至将犯罪分子绳之以法。

事实上,当你能够利用交通大数据和机器学习等技术解决困扰交通运输行业的所有关键问题(例如大量不必要的死亡、瓶颈和道路受损)时,安全性和效率就会显着提高

当然,我们只处于令人兴奋的前沿。 还有更多的事情要做。 随着技术的不断改进,我们希望世界各地会出现更多的智慧城市,从而提高全球运营效率,增强可持续性,并使我们的道路、高速公路和十字路口对所有人来说更安全、更好。


原文链接:9 Revolutionary AI Applications In Transportation

BimAnt翻译整理,转载请标明出处