Новый проект, начатый в Мельбурне, Австралия, направлен на то, чтобы использовать эту лавину данных с помощью искусственного интеллекта глубокого обучения и прогностического моделирования, и использовать их для сокращения времени в пути, снижения выбросов и влияния на поведение во всех других отношениях как часть «самой умной в мире системы управления дорожным движением».

«Интеллектуальный коридор» — это трехлетнее испытание, которое будет проводиться на 2,5-километровом (1,5-мильном) участке улицы Николсон, Карлтон — одной из самых оживленных дорог Мельбурна. Университет Мельбурна сотрудничает с австрийской компанией Kapsch TrafficCom и Департаментом транспорта штата Виктория.

Система, запущенная на этой неделе, получает живые и исторические данные от огромной и разнообразной сети датчиков, включая камеры видеонаблюдения, датчики Bluetooth, мониторы качества воздуха, информацию об общественном транспорте, данные о дорожном движении TomTom, погодные данные, данные о сигналах светофора и фазах, логические данные о перекрестках и многое другое. Некоторые из этих данных уже доступны по всему городу, другие были предварительно установлены в районе Карлтона в рамках отдельного проекта AIMES (Australian Integrated Multimodal EcoSystem), который описывается как «первая и крупнейшая в мире экосистема для тестирования новых технологий подключенного транспорта в больших масштабах в сложных городских условиях».

Команда проекта утверждает, что это первый случай, когда такой широкий спектр живых и исторических данных был объединен в проект по управлению дорожным движением, чтобы в режиме реального времени обрабатываться алгоритмами искусственного интеллекта и глубокого обучения. Данные, полученные с помощью системы «EcoTrafiX», будут использоваться для различных целей.

Во-первых, что, возможно, имеет самое непосредственное отношение к нам с вами, она сможет управлять светофорами на каждом перекрестке в коридоре для обеспечения оптимального потока. На презентации проекта Дэвид Болт из компании Kapsch привел пример: «Мы берем видеопоток с одной из сотен и тысяч камер по всей сети, используем нашу универсальную платформу глубокого обучения для его анализа и аннотирования, а затем формируем выводы. Например, мы определяем длину очереди на уровне полосы движения. Это влияет на фазу и время сигнала. Я могу начать динамически регулировать и оптимизировать этот перекресток, а далее и другие перекрестки по коридору».

Правильная логика работы динамических светофоров не только уменьшит разочарование пассажиров — каждая остановка и пуск отнимают у города много сил в виде шума и выбросов, особенно если речь идет о тяжелых грузовиках.

Но этим дело не ограничивается. Система имеет ряд способов обратной связи с пользователями дорог и общественного транспорта, чтобы повлиять на транспортный поток либо в ответ на происшествие, либо просто как средство балансировки нагрузки и оптимизации. Если авария не позволяет трамваю проехать через определенный перекресток, система может подобрать для каждого ближайшего трамвая, на который это может повлиять, рекомендации, которые позволят его пассажирам добраться до нужного места, либо пересесть на другой трамвай, либо пройтись пешком до другой остановки, а затем передать это сообщение водителю трамвая.

Есть также угол зрения безопасности — система может отслеживать зоны пешеходных переходов и давать обратную связь водителям через коммуникацию инфраструктуры с подключенными автомобилями. В качестве примера команда привела конкретный перекресток, на котором водители, поворачивающие на крутом повороте, не видят людей, переходящих дорогу, пока не окажутся почти перед ними — теперь предупреждения в режиме реального времени будут отправляться на определенные подключенные автомобили Lexus, если система обнаружит, что водители вот-вот столкнутся с подобной ситуацией.

Управление инцидентами будет важной частью системы, которая будет выдавать предупреждения оператору, когда обнаружит, что происходит что-то странное, или предскажет возникновение проблемы. Операторы смогут выбирать из списка автоматически генерируемых действий в ответ на ситуацию, а также копаться в потоках данных, вплоть до просмотра записей с камер в реальном времени, чтобы понять, что происходит. Они также смогут вызывать аналогичные инциденты из истории района, включая то, какие действия предпринимались в прошлом и каковы были их последствия. Система разработана таким образом, чтобы обеспечить как можно больший или меньший контроль и вмешательство человека в зависимости от желания конкретного города.

Это те вещи, которые система может делать сегодня, в момент запуска. Но в течение следующих трех лет команда рассчитывает опробовать всевозможные идеи, от таких, как обеспечение того, чтобы подключенные автомобили экстренных служб видели только зеленый свет, до интеллектуальной маршрутизации движения вокруг школьных зон во время сбора/высадки учеников, до перенаправления движения в ответ на картографию качества воздуха, до автоматической отправки СМС владельцам автомобилей, припаркованных на проезжей части, в надежде, что они сдвинут свои машины и освободят дорогу быстрее, чем это смогут сделать эвакуаторы.

«Мы можем общаться с водителями через API и плагины, которые мы установили на платформу», — говорит Болт. «Это задача социальной инженерии — изменить привычки вождения… Речь идет о подготовке инфраструктуры к тому, что потребуется в будущем. Итак, как мы отправляем информацию на подключенные автомобили? Как эта информация передается на неподключенные автомобили? Как мы подготовимся к автономным транспортным средствам?».

[embedded content]

В рамках проекта будет проводиться естественный сбор данных «до и после» для измерения и отслеживания эффективности системы. Капш говорит, что система предназначена для масштабирования от небольших перекрестков и коротких коридоров, как этот, до масштабных внедрений в масштабах всего города, поскольку она не зависит от местоположения и может работать с любыми доступными данными.

Это, безусловно, кажется отличным и крайне необходимым применением ИИ и передовой аналитики. Оптимизация дорожного движения в масштабах города — это проблема, требующая большого объема данных, с огромным количеством входов, зависимостей и результатов, которые необходимо отслеживать. Существует огромная возможность сделать это лучше, многое можно получить, и если ИИ и компьютерные науки справятся с этой задачей, нам будет интересно посмотреть, что из этого получится.

Оригинал earth-chronicles.ru