Почему лидар трансформирует управление трафиком в умных городах

Инициативы умных городов все больше фокусируются на интеллектуальных транспортных системах (ITS). Недавний пилот в Сан-Франциско с лидарными сенсорами демонстрирует, как эта технология может улучшить проект Vision Zero городских трафик-сигналов.

Vision Zero целится в сокращение дорожных жертв до нуля, с Сан-Франциско теряющим примерно 30 жизней и ранящим более 200 ежегодно. Пилот тестирует мультимодальные интеллектуальные трафик-сигнальные системы (MMITSS), выделенную короткодальную коммуникацию (DSRC), приоритет трамвайных сигналов (TSP) и приоритет экстренных автомобилей (EVP) для предоставления приоритета трамваям и экстренным авто в то время как также давая пешеходам и велосипедистам безопасные интервалы перехода.

Первое proof-of-concept, завершенное в январе 2020, установило лидар на пяти перекрестках и достигло 96% точности в анонимном профилировании транспортных средств и пешеходов. Второе PoC добавляет слой данных к сети управления сигналами, запланированное на начало 2021.

Мы интервьюировали CMO Quanergy Энцо Синоре и независимого стратегического консультанта Пола Хукстру, лидера проекта SFMTA.

Лидар: Анонимный трекинг объектов через перекрестки

Энцо Синоре из Quanergy объясняет, что ключевое преимущество лидара на стадионах и в умных городах — его способность назначать персистентный анонимный ID каждому движущемуся объекту, позволяя end-to-end трекинг через множественные перекрестки без раскрытия идентичностей.

Достижение непрерывного ID-трекинга через множественные перекрестки требует синхронизированных сенсоров и edge computing. Традиционные системы теряют ID когда объект переходит из вида одного сенсора в другой, фрагментируя поток данных.

Автоматизированный механизм передачи ID Quanergy передает ID объекта бесшовно между сенсорами, сохраняя единый идентификатор на протяжении всего пути и доставляя комплексную аналитику потока.

Quanergy M-серия, включая дальнодействующий MQ-8, инженерирована для задач управления потоком. В отличие от конвенционального лидара, испускающего симметричный луч, MQ-8 направляет все лучи вниз, обеспечивая полное покрытие земли и устраняя слепые зоны. Этот дизайн дает 70 м радиус детекции (15 000 м²) и снижает количество требуемых сенсоров и стоимость.

Потому что лидар захватывает только геометрические данные, он обходит проблемы приватности распознавания лиц, предоставляя анонимный, комплаенсный трафик-мониторинг.

Преодоление проблем приватности, связанных с распознаванием лиц

Пол Хукстра для SFMTA описывает рационал и результаты проекта.

Когда мы начали пилот в апреле 2019 с SFMTA, Cisco и Quanergy, мы изначально использовали DSRC сенсоры. Однако только 1% транспортных средств вещали DSRC сигналы, делая технологию неэффективной для измерения трафик-потока.

Мы развернули 20 лидарных единиц на пяти перекрестках вдоль 3-й улицы, рядом с новым баскетбольным стадионом. Edge computing работало на Cisco TRX единицах, исполняя QORTEX ПО Quanergy, которое стримит данные в Cisco Kinetic-powered VM кластер, хранящий ~30 млн сообщений еженедельно.

Воскресные отчеты детализируют траектории транспорта, таймстемпы, origines, destinations, счетчики остановок, продолжительности, скорости и контекст событий. Эта линковка через перекрестки позволяет нам квантовать движения такие как northbound entries и turn-offs.

Используя калиброванную логику QORTEX, мы достигли 96% точности в сопоставлении ingress и egress IDs. Для пешеходов, зонные определения раскрывают наличие на бортике, границы перехода и близость к транспортным средствам, позволяя near-miss анализ основанный на векторах и скоростях.

Система захватывает только анонимные формы — транспорт как блоки и пешеходы как точки — гарантируя что никакие персональные данные не хранятся.

Первое PoC фокусировалось на анализе данных. Второе PoC удвоит счетчик перекрестков с пяти до десяти, расширяя коридорную область.

Мы интегрируем данные сигнал-контроллера — loops, pushbuttons, rail сенсоры — в центральную платформу, создавая двунаправленный информационный поток. Классификация объектов от edge сенсоров информирует предсказанные dwell времена трамвая основанные на пассажирском составе (инвалидные коляски, коляски, велосипеды).

Бэкенд аналитика оценит оптимальные dwell времена (например, 20 с vs 32 с) и экстраполирует по полному коридору.

Оптимизация коридора требует взгляда на него как на взаимосвязанную сеть а не изолированные узлы. Высокочастотные алгоритмические перерасчеты — потенциально превышающие 1 Гц — позволяют реальном-времени корректировки сигналов.

Эти алгоритмы питают реальном-времени команды к сигнал-контроллерам, завершая петлю и образцово показывая интегрированное управление трафиком.

Сан-Франциско уже хостит 7000 камер, но они предоставляют только 2D изображения и менее точные локационные данные. Лидар предлагает превосходную точность, работает в дождь и ночью, и избегает проблем приватности, связанных с визуальной идентификацией.

Проект целится в приоритет экстренным авто, оптимизацию трамвайных расписаний и фасилитацию vehicle platooning когда общественный транспорт недоступен, тем самым улучшая коридорную эффективность.