In een project dat gebruikmaakt van computervisie, machinaal leren, en sensoren, Wetenschappers van Oak Ridge National Laboratory werken samen met het particuliere bedrijf GRIDSMART Technologies, Inc. om te demonstreren hoe stoplichten kunnen worden geprogrammeerd om het brandstofverbruik te verbeteren en de uitstoot te verminderen en tegelijkertijd een vlotte doorstroming van het verkeer te vergemakkelijken.

GRIDSMART-verkeerscamera's worden al door gemeenschappen over de hele wereld gebruikt om sensoren in de weg te vervangen die traditioneel worden gebruikt om voertuigen te detecteren en de timing van verkeerslichten te informeren. Deze slimme camera's bieden een realtime, kruispunten in vogelvlucht, het verzamelen van gegevens die strategieën voor timing en verkeersstroom kunnen sturen.

De doelen van het programma zijn om GRIDSMART-camera's te leren het brandstofverbruik van voertuigen op kruispunten in te schatten en vervolgens de timing van verkeerslichten te regelen om energie te besparen en de verkeersdoorvoer te optimaliseren, legde projectleider Tom Karnowski van ORNL's Imaging uit, signalen, en Machine Learning-groep.

Het brandstofbesparingspotentieel is aanzienlijk. Het Amerikaanse ministerie van Energie schat dat het stationair draaien van zware en lichte voertuigen samen ongeveer 6 miljard gallons brandstof per jaar verspilt. Aangezien voertuigen stil staan ​​op kruispunten en andere locaties, brandstof wordt verspild.

Het ORNL/GRIDSMART-project was een van de eerste toegekende financieringen in het kader van het nieuwe High Performance Computing (HPC) for Mobility (HPC4Mobility) programma van het DOE Vehicle Technologies Office. Als onderdeel van het HPC for Energy Innovation Initiative, het programma brengt de supercomputerbronnen en wetenschappelijke expertise van de nationale laboratoria van DOE samen in samenwerking met de industrie om oplossingen te vinden voor echte uitdagingen op het gebied van transportenergie.

Het creëren van een intelligent transportsysteem in verkeersdichte stedelijke gebieden vereist observatie die de menselijke capaciteit te boven gaat, en de hoeveelheid gegevens die door de GRIDSMART-camera's wordt gegenereerd, maakt het een uitstekende pasvorm voor het HPC4Energy-programma, merkte Karnowski op.

"GRIDSMART is verheugd om met ORNL samen te werken aan dit project, " zei Jeff Price, GRIDSMART Chief Technology Officer. "Multimodale stedelijke mobiliteit brengt zeer gecompliceerde uitdagingen met zich mee. Het toepassen van ORNL-mogelijkheden op het gebied van high-performance computing en machine learning op GRIDSMART's unieke gegevens en grote installatiebasis zal een aantal fascinerende inzichten opleveren."

De eerste fase voor ORNL-onderzoekers was het nemen van beelden van de bovengrondse verkeerscamera's van GRIDSMART en deze te vergelijken met foto's vanaf de grond om een ​​database te creëren. De onderzoekers willen de camera's trainen om het brandstofverbruik van verschillende voertuigen op kruispunten in te schatten door hun grootte en voertuigklasse te categoriseren.

ORNL-onderzoekers ontwikkelden een systeem om de resulterende foto's te combineren met brandstofverbruiksgegevens voor verschillende voertuigklassen, wat resulteerde in een rijke dataset van gelabelde afbeeldingen.

"Elk machine learning-project zal maar zo goed zijn als de gegevens die je erin stopt, ' zei Karnowski.

De tweede fase van het project is het creëren van een softwaretoepassing door gebruik te maken van versterkingsleren op ORNL's supercomputers. Reinforcement learning leert een computer in feite hoe hij een spel moet spelen zonder dat hij expliciet is geprogrammeerd om dit te doen. "In dit geval, het 'spel' is brandstof besparen zonder aan doorvoer in te boeten, ' zei Karnowski.

Het project maakt gebruik van hoogwaardige computersystemen bij de Oak Ridge Leadership Computing Facility, een DOE Office of Science gebruikersfaciliteit bij ORNL, zoals de Summit-supercomputer, 's werelds krachtigste open toegankelijke computer. De systemen zullen worden gebruikt om simulaties van kruispunten uit te voeren en wiskundige strategieën te bedenken om de timing van verkeerslichten te sturen.

"Het hele idee is om camera's te leren het brandstofverbruik in te schatten en vervolgens een heel netwerk van die camera's te leren verkeerslichten te beheren om het systeem zuiniger te maken, ' zei Karnowski.

ORNL-medewerkers aan het project zijn onder meer Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewel, Rus Henderson, en Husain Aziz.

"Dit project is een voorbeeld van hoe de high-performance computerbronnen van nationale laboratoria die beschikbaar worden gesteld via HPC4Mobility, de Amerikaanse industrie in staat kunnen stellen de energie-efficiëntie te optimaliseren en de emissies te verminderen, " zei Klaas Daniël, Programmadirecteur Duurzaam Vervoer en programmaleider HPC4Mobility bij ORNL. "We werken hand in hand met een privépartner om de computerbronnen en diepgaande leerexpertise van DOE te benutten om een ​​echte mobiliteitsuitdaging op te lossen - een die energie zal besparen en de verkeersstroom zal verbeteren."