当前位置:   金科网 > 人工智能 > 正文

传感器在城市神经网络中扮演什么角色

截至2018年底,我国智能交通千万级以上的项目(不含公路信息化)就有1167个。

然而,就在大家普遍在对车与路的故事满怀期待的时候,整合时期的诸多“适应症”也开始出现。无人驾驶汽车事故屡见不鲜,云端大脑在庞大的数据体量面前压力山大,研发和基建成本居高不下,但城市交通效率却并没有成比例提升。

传感器在城市神经网络中扮演什么角色

如果把智慧交通比作城市未来的一出好戏,那么,目前已经完成了前期的筹备工作。核心班底不外是云端大脑、芯片、传感器、摄像头,都说腻了。至于最终向市民呈现出怎样的作品,还要看导演如何让角色们拿起正确的剧本、奉献出的演技了。

于是,我们和专注于高端传感器、MEMS芯片及系统的西人马聊了聊,探讨了一下在智慧城市这部鸿篇巨制中,传感器都承担了哪些戏份。

数据织就的“城市神经网”,隐藏了几个重要的出行bug

在传感器开始它的表演之前,我们要先帮城市的神经网络“捉捉虫”,找出那些影响感知和决策的大小bug。

在城市的数字基础建设过程中,每天有大量的传感器和系统落地。但这些终端数据距离真正服务于城市大脑,却存在着几个障碍:

1.数据收集的完整性。现代化城市和人们的出行轨迹往往围绕着复杂而紧密的交通网络展开。一方面,这要求城市系统能够覆盖到每一个边边角角,构成完整而庞大的“神经网络”;另一方面,高速流动的车流、人流对数据采集的实时性、精度也提出了挑战。如果数据出现了“盲点”,那么即使拥有再强大的城市大脑,交通拥堵、地面安全等问题也依然是“死结”。

2.数据协作的兼容性。城市数据的另一个问题,是数据源的多种类、多模态。比如仅仅是解决堵车的问题,就需要路面的车流量数据、车辆GPS数据、天气预报、路况健康监测数据等等,只有将不同种类的传感器融合,把各数据源捏合在一起,才能够实现对交通状况的实时把握和调控,主动影响智慧决策。

3.数据处理的高效率。目前许多城市的数据收集方案,都是通过摄像头、通讯基站等方式实现的。这就导致了两个问题:一是摄像头的视觉数据需要进行语义分析、特征提取、图像理解等一系列处理,对算力资源、硬件配置、数据存储等提出了较高的要求;二是大规模的实时高精视觉数据一股脑儿地输送到云端,很容易造成数据堆积和处理延迟,成为“城市大脑”的重担,耽误一些需要实时反应的需求。

归根结底,城市的智慧化不应该只停留在“被数字”的表面功夫,而应该真正让城市的每一寸肌理都能够感知数据、应用数据,这样任何地面事件带来的每一个“神经冲动”,才能快速而顺利地抵达城市“大脑中枢”。

将城市道路变成神经网络

关于城市数据体系的建构,目前还没有什么“基本法”,参与者都在各自摸索。对于城市交通领域的数据难题,显然不是单一的软硬件所能够解决的。因此,可将数据网也拆解成了三个步骤:

第一步:多模态传感器的全面铺设;

第二步:多模组监测的综合解决方案;

第三步:车人路联动的真·智慧交通。

首先是数据感知网络。前面我们提到,城市智慧交通突出的问题就是采集方式和种类单一,导致数据的维度和精度不够,无法照顾到庞大的细节角落。

基于此,可将交通神经网络进行了从顶层设计到终端布局的系统设计。体现到具体的硬件部署上,就是将多模态的传感器结合各类数据采集模块,对城市道路进行因地制宜的综合改造。

比如通过路灯传感器,对路面的人和物实现10cm的高精度定位;在地面设置磁坐标,可以对车辆每10cm的移动都了如指掌;在隧道等复杂结构环境中,则采用了超声波测距仪、静力水准仪、裂缝传感器、振弦采集仪等传感器综合做功,并结合车联网,对交通出行所需要的数据进行了深层次、多模态的系统收集,让外部刺激的每一丝“神经冲动”,都能够被城市以立体的方式感知到。

然后是场景化的多模组监测方案。

这部分有点像神经网络的大脑分区,数据感知网络与处理模块一起,构成了垂直场景的监测模组,提供清晰而具体的能力。

目前,智慧交通系统可以为用户提供定位导航、通讯传输、气候监测、桥梁监控监测、隧道监控监测、地质灾害监测等不同模块的服务。

以地灾模组为例,智慧交通系统在边坡等道路环境上部署了传感器、数据采集、数据传输等子系统,对自然灾害等进行实时监测。这些数据会实时上传到数据库和处理控制中心,一旦出现异常状况,就能够根据实际情况进行安全评价,预警子系统在向上发出分级预警,从而达到监控边坡安全、及时消除安全隐患的功能。