DeepWiTraffic:Et Wi-Fi-baseret trafikovervågningssystem, der bruger dyb læring

Et team af forskere ved University of Memphis har for nylig udviklet et billigt og bærbart trafikovervågningssystem (TMS) kaldet DeepWiTraffic. Dette nye system, præsenteret i et papir, der er forududgivet på arXiv, kombinerer Wi-Fi-enheder og dyb læring.

TMS'er er en nøglekomponent i intelligente transportsystemer (ITS), som har til formål at forbedre sikkerheden og effektiviteten af ​​transport. TMS'er indsamler trafikdata relateret til kørebanesystemets ydeevne, måleparametre såsom antal forbipasserende køretøjer samt køretøjets tæthed, hastighed, og klasse.

I USA, Department of Transportation (DOT) i hver stat har til opgave at indsamle trafikinformation om køretøjer, der kører på tværs af motorveje og veje. De TMS'er, der bruges til automatisk at tælle og klassificere køretøjer, kan enten være midlertidige eller permanente.

"Et endemisk problem for mange statslige DOT'er er de høje omkostninger ved at installere et tilstrækkeligt antal TMS'er til at dække det gigantiske landområde i USA, især i betragtning af de enorme miles (119, 247) af landeveje, " skrev forskerne i deres papir. "Ifølge Georgia DOT, minimumsomkostningerne for at installere en kontinuerlig TMS på en to-sporet landevej er omkring $25, 000, og 365-dages køretøjsklassificering på en to-sporet landevej er dyrere, koster omkring $35, 770. "

I deres nylige undersøgelse, forskerne adresserede udfordringerne forbundet med de høje omkostninger ved eksisterende TMS'er ved at udvikle en innovativ og billig tilgang til trafikovervågning baseret på Wi-Fi-kanaltilstandsinformation (CSI) og dyb læring. Deres TMS anvender ikke-påtrængende køretøjsdetektions- og klassificeringsteknikker, ved hjælp af karakteristiske trådløse kanalkarakteristika til at klassificere forbipasserende køretøjer.

"DeepWiTraffic muliggør nøjagtig registrering og klassificering af køretøjer ved at udnytte den unikke WiFi-kanaltilstandsinformation (CSI) for forbipasserende køretøjer, " forklarede forskerne i deres papir. "Spatiale og tidsmæssige korrelationer af forbehandlede CSI-amplitude- og fasedata identificeres og analyseres ved hjælp af deep learning til at klassificere køretøjer i fem forskellige typer:motorcykel, personbil, SUV, Firhjulstrækker, og stor lastbil."

I trådløs kommunikation, CSI refererer til kanalegenskaberne for et kommunikationslink, beskriver hvordan signalet bevæger sig fra senderen til modtageren. CSI indeholder rig information om ændringerne i kanalegenskaberne forårsaget af forbipasserende køretøjer, som kan bruges til at klassificere køretøjer.

Forskerne designede et konvolutionelt neuralt netværk (CNN), der automatisk kan fange de optimale funktioner i CSI-data og trænede derefter en køretøjsklassificeringsmodel på forbehandlede CSI-data. De brugte også andre teknikker til at forbedre modellens klassificeringsnøjagtighed, for eksempel, ved at afbøde virkningerne forårsaget af forhindringer omkring køretøjer, herunder genstande eller mennesker, der bevæger sig ved lav hastighed.

DeepWiTraffic blev testet på en stor mængde CSI-data fra forbipasserende køretøjer og tilsvarende jordsandhed-videodata, i alt cirka 120 timer. Den opnåede en gennemsnitlig detektionsnøjagtighed på 99,4 procent og en gennemsnitlig klassificeringsnøjagtighed på 91,1 procent, på trods af dens lave pris på omkring $1000.

"På trods af de lave omkostninger ved det foreslåede system, den gennemsnitlige klassificeringsnøjagtighed for fem forskellige køretøjstyper var 91,1 procent, som kan sammenlignes med nyere ikke-påtrængende køretøjsklassificeringsløsninger, "forskerne skrev i deres papir." Vi forventer, at DeepWiTraffic vil bidrage til at løse omkostningsspørgsmålet ved at implementere et stort antal TMS'er til at dække de enorme miles af landdistrikterne. "

© 2019 Science X Network