有效紓解塞車亂象 智慧交通管理有一套 智慧應用 影音
DTIOT
世平

有效紓解塞車亂象 智慧交通管理有一套

  • 魏淑芳

透過各種感測技術蒐集交通資訊已成為智慧交通管理的一環。wikimedia
透過各種感測技術蒐集交通資訊已成為智慧交通管理的一環。wikimedia

每逢連續假日,全台交通幹道都會爆發塞車潮,如今年的大年初三,國道五號就塞了一整天。高速公路局坪林行控中心發現,南下到宜蘭旅遊的車潮,早上6到7時及7到8時,分別為2,700萬及2,500輛次,都已超出雪山隧道每小時最大車輛容量2,000到2,200輛次。

像這種車流量突然增加造成的塞車,固然難以避免,但相關的管制措施如紅綠燈、匝道管制燈號的秒數無法即時修正,也是讓塞車無法有效紓解的原因之一,如何結合深度學習、影像偵測及自動駕駛等資訊科技,讓交通監控系統變得更有智慧,已成為智慧交通解決方案的重要顯學。

自駕車技術未來可望成為解決塞車的關鍵技術。wikimedia

自駕車技術未來可望成為解決塞車的關鍵技術。wikimedia

智慧影像偵測幫助路況處理

應用各種感測技術來改善交通,早已行之有年。如公路總局為配合高速公路部分易壅塞路段,規劃替代道路,早已在省道公路建置各種路側設施,包括車輛偵測器(VD)、閉路式電視攝影機(CCTV)、資訊可變標誌(CMS)、氣候偵測器、自動車牌辨識(AVI)、影像事件偵測系統(IID)等,並且在所屬的養護工程處成立交控中心,負責路況資訊的蒐集、發布、反應。

公路總局指出,省道公路VD的佈建距離平約達5?10公里,且僅能收集「定點」的行車數量及行駛速率,無法提供更完整的「線段」資訊,過去也曾利用公路客運上的GPS所回傳的資訊,但由於客運有班次及路線的限制,還是無法達到全面性的資訊收集,未來希望能透過e-Tag Reader裝置,提供更全方位的交通資訊。

另一個可能造成塞車的原因,就是交通事故,尤其是隧道裡面的事故,透過智慧偵測技術,在第一時間掌握事故現場的狀況,才能即時做出最適切的處理方式,如雪山隧道的「影像事件偵測系統」(IID),可以偵測6種路況,包括車輛停等、散落物、行人、車輛逆向行駛、壅塞和煙霧,透過影像軟體比對,所有事件最慢1分鐘內就可偵測出來並提出警告,而塞車更可在10秒鐘偵測出來,縮短應變處置時間。

如果改成人工作業,控制室工作人員平常要監看200多個監視器畫面,電視牆一次可以秀出8個畫面,以輪跳顯示,每次畫面停5?10秒,全部畫面都看一遍,不但要花很長時間,不管是控制室人工通報或用路人主動打電話通報,平均都要3?5分鐘,而IID卻可縮短至2、3分鐘。

但除了硬體設備的建制外,後端的監控、應用更是重要。目前應用在交通管理的影像監控技術,可將影像輸入至電腦中進行影像分析判定,針對入侵者、移動物體、火焰、煙霧等進行觸發設定,來達到預警的效果。

其次是影像位移偵測技術,只要偵測到監視器畫面中有異常的物體位移或活動時,就會觸發相關設定,比以往只有監看功能的錄影系統更具即時性。

最後則是交通車輛偵測技術,目前已被廣泛應用於國內的道路監控系統與停車場監控系統。監視器取得車輛行駛的影像後,再透過影像分析系統運算,將車流量、車速或違規車輛等狀況轉換為文字訊息,業者就能夠透過廣播系統及用路人取得即時路況資訊。

機器學習應用自駕領域

若要讓影像偵測技術的效用發揮到極致,借重人工智慧(AI)發展機器學習(machine learning),已成為智慧交通應用的重要領域。機器學習是一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科,主要是設計和分析一些讓電腦可以自動「學習」的演算法,並從數據中自動分析尋找規律,對未知數據進行預測。

機器學習的應用十分廣泛,智慧交通就是非常熱門的領域之一。如在交通號誌調控方面,可藉由計算車輛、行人數,適時調整路口的紅綠燈秒數,以維持交通順暢。

在車流量統計及車輛追蹤方面,結合車牌辨識或特徵比對,可避免重覆計算車輛數,記錄道路的車流量,並追蹤特定車牌的行蹤;在交通指揮系統方面,則可藉由計算車輛及行人數,並判斷路口狀況、人車的優先順序,搭配燈號、文字警示,加上緊急情況的應對能力,可以協助甚至取代交通指揮。

機器學習在交通領域的最熱門應用,莫過於自駕車技術。只要在車上安裝電腦影像偵測與辨識系統,然後在車輛行駛中連續拍攝影像,再透過影像處理、機器視覺、及圖形識別等技術偵測、分析路面、路邊、其他行進中車輛、行人、及駕駛人本身等靜態及動態資訊,藉由機器學習及影像辨識技術,即可提供道路狀況、行車狀況、駕駛精神狀態、駕駛行為、行人、及外物動向等資訊給駕駛人,提醒駕駛人注意,以提高行車安全。

自駕車在紓解塞車亂象,也會有一定程度的幫助。據 Popular mechanics報導,根據數學專家Benjamin Seibold和他的團隊在2015年所做的自駕汽車對減輕交通壓力的研究,只要有2%的自動駕駛汽車,就能減少50%車流走走停停的情況。

Seibold的研究發現,自駕車因為能夠感知前方路況的變化,可以透過調節自身的行駛速度,在車流比較密的時候,會保留一定的車距,減少突然剎車的次數,進而減少後方車輛加速不同步的次數,影響整排車隊的行駛狀況。

但光靠自駕車不見得就能對交通壅塞發揮緩解作用,其他需要配合的項目,還包括城市規劃、民眾素質、公共交通體系等,更重要的是,自駕車的數量必須達到一定的上路比例,才能透過讓每輛車保持均速或車距穩定,真正紓解塞車亂象。

透過機器學習提升辨識效果

要將影像辨識技術用於智慧交通應用,仍可能受到天候及環境因素的影響,而且道路環境設定複雜,除了高速及快速公路外,市區平面道路、巷弄甚至是鄉間小路,也都必須要能維持良好的辨識效果,才能有效達到智慧監控的目的。

想要有效提升辨識效果,機器學習更是不可或缺的技術,唯有將訓練的流程寫成自動化程式,如在讀入影片時匯出所有判斷出的車輛,以人工斷定是否正確,再把這些偵測出的圖片置入正?負樣本自動訓練,長久累積之後,才能夠提高平均正確率,且熟悉該處道路環境的車輛行駛狀況。

雖然訓練會花不少時間,但一開始只要給予少量樣本,在檢測影片的同時增加樣本數再訓練,便能提高對於不同環境的適應度,更符合機器「學習」的目標。

若要改善訓練速度,還可配合車牌、車輪辨識和其他方法,如紅外線、重量感測等定位車輛,以達到可以應用的標準。一旦各個方向的車輛辨識訓練達到一定的平均正確率,就可結合影像輸入、車輛及行人辨識、路口狀況控制、紅綠燈和轉彎燈號等,進行即時車輛辨識,作為得知交通現況的第一步,更是自駕車發展的重要基礎,未來還可以應用在各種自動化管理系統上,有效提升智慧城市的管理效率。

議題精選-2017智慧城市展