知識庫

智慧定點裝置應用於運輸系統的優勢
  • 發布年度:2019
  • 主要類別:自動駕駛
  • 次要類別:電子報
  • 車輛中心 研究發展處 林泓邦

    全球車輛技術發展趨勢正逐漸由先進駕駛輔助系統(ADAS)邁向自駕車(ADS)發展,智慧運輸除了車輛安全輔助系統之外,智慧定點裝置應用亦為關鍵的一環,透過統計接駁車之站點出入口及公共候車亭等場所之人流,可以讓安全監控或營運分析相關策略更有效率。根據產調機構Allied Market Research發佈的一份報告顯示,人流分析相關產品的市場將在2022年增長到15億美元,同時,國內外針對人流估測技術專利的數量亦逐年增加,未來無論於智慧運輸或智慧城市的發展,都扮演著相當關鍵的角色。

    公共運輸是一個城市的重要基礎建設,不論傳統的客運車輛或者當今熱門的無人巴士派遣,都直接或間接的需要人流等相關資訊作為調度輔助,透過人流或人數計算系統對候車地點人數進行統計與分析,可協助運輸業者在車輛動態調配上做到最佳化配置,減少空車率或過載的情形。

    下表為目前人流偵測的相關感測手法;由於影像感測器成本的降低,以及電腦視覺技術與人工智慧運算平台日趨成熟,以影像為主的人流偵測技術將廣泛地應用於智慧定點裝置。

    表. 人流/客流感測方法示意

    影像式人流估算
    車輛中心(ARTC)目前已將行人辨識技術應用於智慧定點裝置進行人流統計,系統運用邊緣運算的概念,採用前、後台分級運算;前台係利用兩個攝影機分別由上方俯視及側方斜視,用以估測人流密度,後台則透過影像深度學習方式進行人數精算,對於未來擴展到多車站系統時,使後台能更具有精細計算人數的能力,不用全時效運作,這樣的系統配置只需要於監控中心架設一組高運算功能的電腦,計算時使用的頻寬與耗能可以有效降低,使監控中心的資源有更好的配置與規劃(圖1)。

    該系統優勢如下:
    ►一對多的系統架構,實現多車站的監控系統。
    ►前後台分工,達到事件觸發(邊緣計算)並節省運算資源的使用。
    ►搭載嵌入式平台,提高效率並節省成本。

    圖1. 多對一人流評估系統架構

    系統架構及方法
    系統主要仰賴兩種演算技術:(1)傳統影像處理以及(2)深度學習(圖2)。在傳統影像處理上,利用形態學針對畫面的形狀、顏色等訊號,經過各種數學計算將有目標物件提取出來,並利用分類器(Classifier)進行行人辨識,透過賦予的權重以及交叉比對估算出人流密度;然而因為影像受到遮蔽、光線等影響,此估計值無法完全精準,僅可一定程度的代表當下的狀態,當人流密度高時,即依照人流的等級啟動後端運算,以深度學習為基礎透過語意分割技術,即使影像被遮蔽亦可穩定的進行辨識精算;本系統彈性的使用前後台的架構,讓整個系統的資源達到更有效率的利用。

    圖2. 影像處理及流程

    結論
    對於現階段的公共運輸業,車輛的調度一直都是持續不斷改善的議題,調度問題直接反映了硬體與人力的成本,當自動駕駛與智慧車輛在生活中逐漸落實的未來,車輛的管控及動態調配將交給AI電腦做決定,由此可見,人流統計在運輸系統中扮演了一個相當重要且關鍵的角色;在研究自動駕駛車的同時,周邊軟硬體的配套措施以及技術也在同步發展,使得城市運輸和都市發展快速朝向智慧化邁進。
     

© 2016 ARTC All Rights Reserved. Design by Creatop.