Supercomputing for bedre pendling – i jagten på brændstoføkonomi og mobilitet

I et projekt, der udnytter computersyn, maskinelæring, og sensorer, Oak Ridge National Laboratory-forskere arbejder med det private firma GRIDSMART Technologies, Inc. for at demonstrere, hvordan stoplys kan programmeres til at forbedre brændstoføkonomien og reducere emissioner og samtidig lette den jævne trafikafvikling.

GRIDSMART trafikkameraer bliver allerede brugt af samfund rundt om i verden til at erstatte in-road sensorer, der traditionelt bruges til at registrere køretøjer og informere trafiksignal timing. Disse smarte kameraer giver en real-time, fugleperspektiv af vejkryds, indsamling af data, der kan guide timing og trafikflowstrategier.

Målet med programmet er at lære GRIDSMART-kameraer at estimere brændstofeffektiviteten af ​​køretøjer i kryds og derefter at kontrollere trafiksignalets timing for at spare energi og samtidig optimere trafikgennemstrømningen, forklarede projektleder Tom Karnowski fra ORNL's Imaging, signaler, og Machine Learning Group.

Potentialet for brændstofbesparelser er betydeligt. Det amerikanske energiministerium anslår, at tomgang fra tunge og lette køretøjer kombineret spilder omkring 6 milliarder gallons brændstof om året. Når køretøjer kører i tomgang i vejkryds og andre steder, brændstof er spildt.

ORNL/GRIDSMART-projektet var et af de første tildelte midler under DOE Vehicle Technologies Offices nye High Performance Computing (HPC) for Mobility (HPC4Mobility) program. Som en del af HPC for Energy Innovation Initiative, programmet samler supercomputerressourcerne og den videnskabelige ekspertise fra DOE's nationale laboratorier i partnerskab med industrien for at finde løsninger på den virkelige verden af ​​transportenergiudfordringer.

At skabe et intelligent transportsystem i trafiktætte byområder kræver observation ud over menneskelig kapacitet, og mængden af ​​data, der genereres af GRIDSMART-kameraerne, gør det til en fremragende pasform til HPC4Energy-programmet, Karnowski bemærkede.

"GRIDSMART er glade for at arbejde sammen med ORNL på dette projekt, " sagde Jeff Price, GRIDSMART teknologichef. "Multimodal mobilitet i byerne giver meget komplicerede udfordringer. At bringe ORNL-kapaciteter inden for højtydende databehandling og maskinlæring på GRIDSMARTs unikke data og store installationsbase ud i livet vil give nogle fascinerende indsigter."

Den første fase for ORNL-forskere har været at tage billeder fra GRIDSMARTs overliggende trafikkameraer og sammenligne dem med fotos på jordniveau for at skabe en database. Forskerne ønsker at træne kameraerne til at estimere brændstoføkonomien for forskellige køretøjer til stede i kryds ved at kategorisere deres størrelse og køretøjsklasse.

ORNL-forskere udviklede et system til at kombinere de resulterende fotos med brændstofforbrugsdata for forskellige køretøjsklasser, hvilket resulterede i et rigt datasæt af mærkede billeder.

"Ethvert maskinlæringsprojekt vil kun være så godt som de data, du lægger ind, " sagde Karnowski.

Anden fase af projektet er at skabe en softwareapplikation ved at bruge forstærkningslæring på ORNL's supercomputere. Forstærkningslæring lærer dybest set en computer, hvordan man spiller et spil uden at være eksplicit programmeret til at gøre det. "I dette tilfælde, 'spillet' sparer brændstof, mens det ikke ofrer kapacitet, " sagde Karnowski.

Projektet udnytter højtydende computersystemer på Oak Ridge Leadership Computing Facility, en DOE Office of Science brugerfacilitet på ORNL, såsom Summit-supercomputeren – verdens mest kraftfulde åbent tilgængelige computer. Systemerne vil blive brugt til at udføre simuleringer af vejkryds og komme med matematiske strategier til at guide trafiklys timing.

"Hele ideen er at lære kameraer at estimere brændstofforbrug og derefter lære et helt gitter af disse kameraer at styre trafiklys for at gøre systemet mere brændstofeffektivt, " sagde Karnowski.

ORNL-samarbejdspartnere på projektet inkluderer Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, og Husain Aziz.

"Dette projekt er eksemplarisk for, hvordan nationale højtydende databehandlingsressourcer, der stilles til rådighed gennem HPC4Mobility, kan sætte amerikansk industri i stand til at optimere energieffektiviteten og reducere emissioner, sagde Claus Daniel, Programdirektør for bæredygtig transport og programleder for HPC4Mobility hos ORNL. "Vi arbejder hånd i hånd med en privat partner for at udnytte DOE's computerressourcer og deep learning-ekspertise til at løse en mobilitetsudfordring i den virkelige verden - en der vil spare energi og forbedre trafikflowet."