Wysokiej jakości monitoring ruchu drogowego w czasie rzeczywistym oparty na sztucznej inteligencji
Stale rosnąca liczba ludzi mieszkających w miastach i coraz większa liczba pojazdów poruszających się po drogach wymaga opracowywania i wdrażania systemów monitorowania ruchu drogowego w celu przeciwdziałania korkom i zapewnienia bezpieczeństwa na drogach. Choć liczba kamer na drogach rośnie z dnia na dzień, przepustowość większości sieci łączności na całym świecie jest zbyt ograniczona, aby przesyłać wysokiej jakości materiały z monitoringu ruchu drogowego, z kolei niska jakość utrudnia operatorom podejmowanie decyzji. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie”(odnośnik otworzy się w nowym oknie) projektu VISIONS zastosował metody uczenia maszynowego do przetwarzania i przesyłania strumieniowego materiałów wideo, aby zapewnić wysoką jakość monitoringu ruchu drogowego w czasie rzeczywistym. Opracowany przez zespół projektu VISIONS algorytm będzie w przyszłości dostępny jako pakiet oprogramowania, który będzie można wykorzystać z istniejącymi kamerami lub połączyć z nowymi urządzeniami. Takie rozwiązanie przyczyni się do realizacji ambicji Unii Europejskiej w zakresie zmniejszenia liczby śmiertelnych wypadków drogowych do zera do 2050 roku(odnośnik otworzy się w nowym oknie).
Kompleksowa optymalizacja strumieni wideo
Aby zmaksymalizować wykorzystanie przepustowości sieci dostępnej dla systemu monitorowania ruchu, badacze projektu VISIONS zwrócili się w stronę uczenia maszynowego, które wykorzystali zarówno w celu przetwarzania strumieni wideo, jak i ich przesyłania strumieniowego. W pierwszym zastosowaniu algorytm VISIONS zwiększa niższą rozdzielczość materiałów przesyłanych przez kamery, dokonując ich rekonstrukcji przy pomocy technik skalowania. W kontekście przesyłania strumieniowego materiałów wideo, zespół projektu VISIONS wykorzystał uczenie głębokie ze wzmocnieniem w celu dostosowywania szybkości transmisji w czasie rzeczywistym, umożliwiając systemowi dostosowanie się do zmian w sieci (na przykład zapotrzebowania na przepustowość ze strony innych usług) i poprawę doświadczeń użytkowników. „Wzięliśmy pod uwagę ograniczoną moc obliczeniową i zużycie energii kamer monitorujących ruch drogowy, dlatego nasz model sieci neuronowej może działać niezawodnie nawet na urządzeniach dysponujących ograniczonymi zasobami obliczeniowymi”, zauważa Xu Zhang, stypendysta działania „Maria Skłodowska-Curie”. W przyszłości, aby zapewnić użytkownikom najwyższą jakość materiałów przy jednoczesnej maksymalizacji przepustowości, system będzie stale poszukiwał złotego środka. Jak wyjaśnia Zhang: „Jeśli użytkownik będzie oglądał materiał na wydajnym urządzeniu, rozwiązanie będzie przesyłać filmy w niskiej rozdzielczości, a następnie rekonstrukcja i skalowanie zostaną zrealizowane po stronie klienta – to pozwoli na ograniczenie zapotrzebowania na przepustowość sieci. Z kolei jeśli urządzenie użytkownika nie będzie dysponowało odpowiednimi zasobami obliczeniowymi, rozwiązanie prześle filmy w wyższej rozdzielczości kosztem przepustowości”.
Równoległe testowanie algorytmów
System powstał dzięki wykorzystaniu interfejsów programowania aplikacji (API) TensorFlow(odnośnik otworzy się w nowym oknie) w języku Python. Badacze opracowali środowisko symulacyjne oparte na procesie pobierania materiałów z rzeczywistych usług oferujących strumieniowe przesyłanie materiałów z monitoringu ruchu drogowego. Zespół zajmował się jednoczesnym trenowaniem kilku modeli. Każdy z nich opierał się na różnych danych sieciowych i materiałach filmowych dostępnych w publicznych zestawach danych, co pozwoliło na zwiększenie niezawodności systemu. Wykorzystane przez badaczy zbiory obejmowały dane dotyczące przesyłania szerokopasmowego Federalnej Komisji Łączności(odnośnik otworzy się w nowym oknie) (FCC), dane dotyczące przepustowości sieci bezprzewodowej 4G zebrane na urządzeniach mobilnych w Gandawie oraz informacje na temat przepustowości sieci 3G HSDPA wykorzystywane na potrzeby przesyłania strumieniowego za pośrednictwem protokołu HTTP na urządzeniach mobilnych. W celu oceny wydajności rozwiązania, zespół projektu VISIONS porównał swój algorytm z innymi rozwiązaniami pod kątem zapotrzebowania na przepustowość oraz płynności odtwarzania, a także utraconych klatek i liczby zatrzymań odtwarzania. „Zastosowanie naszego algorytmu umożliwia zmniejszenie liczby utraconych klatek i zatrzymań odtwarzania odpowiednio o 24 % i 15,5 % bez konieczności zwiększania przepustowości”, mówi Zhang.
Zastosowanie w innych systemach multimedialnych
Zespół projektu VISIONS skupiał się na strumieniowym przesyłaniu materiałów filmowych do centrów kontroli, skąd operatorzy mogą zdalnie obserwować przepływ ruchu, aby identyfikować i niezwłocznie reagować na problemy, takie jak wypadki lub korki. „W przyszłości zamierzamy zająć się badaniem transmisji materiałów z monitoringu ruchu drogowego połączonej z systemami sztucznej inteligencji, aby umożliwić automatyczne analizowanie ruchu oraz zgłaszanie problemów. Obecnie rezultaty naszych prac mogą zostać wykorzystane w innych systemach opartych na materiałach multimedialnych, w tym w rozwiązaniach rzeczywistości wirtualnej, edukacji zdalnej, a także w ochronie zdrowia”, podsumowuje Zhang.
Słowa kluczowe
VISIONS, film, wideo, przepływność, sztuczna inteligencja, uczenie maszynowe, ruch drogowy, monitorowanie, przesyłanie strumieniowe, przepustowość
