人工智慧保障聖貝納迪諾公路隧道的交通安全

人工智慧能否提高公路隧道的安全性與效率？聖貝納迪諾隧道南北入口採用的SICK Vehicle Hotspot Detection System (VHD) 對此問題給出了明確的肯定回答。此系統經由Deep Learning訓練，學習區分車輛上危險的發熱輪轂與高溫但不危險的排氣管。結果是：警報故障減少，車流量最佳，同時更加安全。

「SICK的VHD系統用於在卡車及公交車進入隧道、輪渡、裝載碼頭或交通檢查站之前，發現此類車輛上過熱的、名副其實『有火災危險的』表面。」瑞士布奧克斯SICK分公司VHD產品經理Lukas Wallimann介紹說。為此，系統將紅外攝影機的圖像與2D-LiDAR感測器的量測資料結合起來。

系統以此方式量測車輛的溫度，並測定其尺寸，以據此建立3D模型——根據此模型可自動化識別車輪、引擎、排氣裝置、貨艙等各個車輛區域。「過去十年，全歐洲都安裝了此系統，例如勃朗峰隧道及聖哥達隧道。」SICK客戶專案經理Christoph Gilgen說。瑞士聯邦道路交通局（ASTRA）貝林佐納分局的Italo Broggini證實，VHD系統在實踐中是應對隧道車輛起火的可靠安全措施。他說：「聖貝納迪諾的測溫門幫助我們將過熱的車輛從車流中調離，從而確保隧道安全。」

警報品質有「進步空間」

因此VHD系統是有效的。但是為了使其更加高效，必須進一步改善警報的品質與準確度。這是聖貝納迪諾專案不可或缺的一項先決條件，因為此隧道的消防隊僅駐扎在南入口處。當距此約七公里處的隧道北入口的測溫門發出警報時，消防人員需要一些時間才能到達發生危險的車輛處。因此，例如因排氣管高溫而觸發的警報故障會導致消防隊不必要出動。但是VHD系統在提高警報品質方面又擁有多少「進步空間」呢——如何利用此潛力提高效率呢？

人工智慧改善了VHD的警報品質

因此系統的準確度十分重要。如何改善系統準確度？只需增加感測器就可以了嗎？還是要採用新的演算法，能夠更可靠地識別並區分車輛上可能的起火源？

「人工智慧為我們提供了解決方案，更準確地說是Deep Learning。」SICK公司CNN軟體工程師Roman Schindler說。但是這個「CNN」跟美國那個新聞頻道一點關係也沒有，而是指「Convolutional Neural Network」——一種人工神經網路。它是受生物流程啟發，主要用於圖像資料的機器處理。此方法的一項特別優勢是故障率低——在採用CNN演算法的VHD系統使用中證實了這一點。

在訓練中學習，從圖像中學習 VHD系統參加了為期四個月的「訓練營」。「在此期間，對現有設備的數千張熱成像圖進行收集、分析、人工分類，然後對CNN演算法進行訓練。」Roman Schindler如此描述開發流程。此外，SICK還與聖貝納迪諾消防救援隊指揮官共同研究了近幾個月的所有警報，以便從所有警報訊息中篩選出真正的警報故障。

此項措施同樣對CNN演算法有好處。新方法大大改善了車輪、引擎、排氣裝置等各個車輛區域的區分度。「在聖貝納迪諾隧道，這種演算法首次在真實工作中接受了測試，結果降低了警報故障率。」Christoph Gilgen說，「這與傳統演算法相比是了不起的進步。在隧道的測溫門中，傳統演算法作為備份在後台一並運行。」

CNN演算法：可升級現有測溫門

「由於警報故障率低，減少了不必要的人員出動，從而節約成本，並在發出警報時提高人員的積極性。」來自ASTRA的Italo Broggini揭示了另一個積極因素。因此，現有VHD系統的營運商「熱切」盼望對其設備進行升級，也就不足為奇了。「原則上，可以進行CNN演算法的升級，畢竟只是需要進行軟體升級。」Lukas Wallimann說。他還補充道：「新訂購的VHD系統本身一開始就配備了這項演算法。因此，客戶將從SICK長年纍積的車輛熱力量測的豐富經驗中受益，而且所需的投資不會比傳統演算法多。」

VHD系統也是「學無止境」

但是CNN演算法不會只停留在當前版本，因為更多新的圖像資料與訓練循環將進一步改善系統效能。「VHD系統學無止境。」Roman Schindler總結道。此外，還將為此系統開拓新的相關聯的應用領域。例如，SICK正在改進適用於輪渡碼頭的VHD系統，以便能夠發現卡車製冷裝置上的熱點。新的CNN演算法將提高VHD系統的效率：開頭已經有了——還遠遠沒有結束。

 更多文章

閲讀詳細內容

閲讀詳細內容

閲讀詳細內容