Een team van onderzoekers van de Universiteit van Memphis heeft onlangs een goedkoop en draagbaar verkeersmonitoringsysteem (TMS) ontwikkeld, DeepWiTraffic genaamd. Dit nieuwe systeem, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, combineert wifi-apparaten en deep learning.

TMS'en zijn een belangrijk onderdeel van intelligente transportsystemen (ITS), die gericht zijn op het verbeteren van de veiligheid en efficiëntie van het vervoer. TMS'en verzamelen verkeersgegevens met betrekking tot de prestaties van een wegennet, meetparameters zoals het aantal passerende voertuigen, evenals de voertuigdichtheid, snelheid, en klasse.

In de Verenigde Staten, het Department of Transportation (DOT) in elke staat is belast met het verzamelen van verkeersinformatie over voertuigen die over snelwegen en wegen rijden. De TMS'en die worden gebruikt om voertuigen automatisch te tellen en te classificeren, kunnen tijdelijk of permanent zijn.

"Een endemisch probleem voor veel DOT's van de staat zijn de hoge kosten voor het inzetten van een voldoende aantal TMS'en om het gigantische landoppervlak van de VS te dekken, zeker gezien de enorme kilometers (119, 247) van landelijke snelwegen, " schreven de onderzoekers in hun paper. "Volgens de Georgia DOT, de minimale kosten voor het installeren van een continu TMS op een landelijke rijbaan met twee rijstroken bedragen ongeveer $ 25, 000, en 365 dagen voertuigclassificatie op een tweebaans rijbaan is duurder, kost ongeveer $ 35, 770."

In hun recente studie, de onderzoekers gingen de uitdagingen aan die gepaard gaan met de hoge kosten van bestaande TMS'en door een innovatieve en goedkope benadering van verkeersmonitoring te ontwikkelen op basis van wifi-kanaalstatusinformatie (CSI) en deep learning. Hun TMS maakt gebruik van niet-intrusieve voertuigdetectie- en classificatietechnieken, onderscheidende kenmerken van draadloze kanalen gebruiken om passerende voertuigen te classificeren.

"DeepWiTraffic maakt nauwkeurige voertuigdetectie en classificatie mogelijk door gebruik te maken van de unieke WiFi-kanaalstatusinformatie (CSI) van passerende voertuigen, "De onderzoekers verklaarden in hun paper. "Ruimtelijke en temporele correlaties van voorverwerkte CSI-amplitude- en fasegegevens worden geïdentificeerd en geanalyseerd met behulp van deep learning om voertuigen in vijf verschillende typen te classificeren:motorfiets, Personenauto, SUV, pick-up, en grote vrachtwagen."

Bij draadloze communicatie CSI verwijst naar de kanaaleigenschappen van een communicatieverbinding, beschrijft hoe het signaal van de zender naar de ontvanger gaat. CSI bevat uitgebreide informatie over de veranderingen in de kanaaleigenschappen veroorzaakt door passerende voertuigen, waarmee voertuigen kunnen worden ingedeeld.

De onderzoekers ontwierpen een convolutioneel neuraal netwerk (CNN) dat automatisch de optimale eigenschappen van CSI-gegevens kan vastleggen en trainden vervolgens een voertuigclassificatiemodel op voorverwerkte CSI-gegevens. Ze gebruikten ook andere technieken om de classificatienauwkeurigheid van het model te verbeteren, bijvoorbeeld, door de effecten van obstakels rond voertuigen te verminderen, inclusief objecten of mensen die met lage snelheid bewegen.

DeepWiTraffic is getest op een grote hoeveelheid CSI-gegevens van passerende voertuigen en bijbehorende grondwaarheidsvideogegevens, voor een totaal van ongeveer 120 uur. Het bereikte een gemiddelde detectienauwkeurigheid van 99,4 procent en een gemiddelde classificatienauwkeurigheid van 91,1 procent, ondanks de lage kosten van ongeveer $ 1000.

"Ondanks de lage kosten van het voorgestelde systeem, de gemiddelde classificatienauwkeurigheid voor vijf verschillende voertuigtypen was 91,1 procent, die vergelijkbaar is met recente niet-intrusieve voertuigclassificatieoplossingen, " schreven de onderzoekers in hun paper. "We verwachten dat DeepWiTraffic zal bijdragen aan het oplossen van de kosten van het inzetten van een groot aantal TMS'en om de enorme kilometers landelijke snelwegen te overbruggen."

© 2019 Wetenschap X Netwerk