EL - ΗΠΑ: Προτείνουν οι ιδιωτικές κάμερες λεωφορείων να συνδεθούν με Α.Ι.

Ειδικότερα στις ΗΠΑ, προκειμένου, όπως λένε, να βελτιστοποιηθεί η ροή της κυκλοφορίας στους δρόμους της πόλης, οι δήμοι εγκαθιστούν συχνά κάμερες μέτρησης αυτοκινήτων ή άλλους αισθητήρες σε ορισμένες καθορισμένες τοποθεσίες. Μια νέα μελέτη, ωστόσο, δείχνει ότι η χρήση υπαρχουσών καμερών που είναι τοποθετημένες σε λεωφορείο μπορεί να είναι ο καλύτερος τρόπος.

Τα περισσότερα αστικά λεωφορεία είναι ήδη εξοπλισμένα με κάμερες προς τα εμπρός για τον ίδιο λόγο που διαθέτουν και πολλά ιδιωτικά οχήματα – για να τεκμηριώσουν τυχόν ατυχήματα στα οποία μπορεί να εμπλέκονται. Τέτοιες κάμερες χρησιμοποιούνται στα λεωφορεία που χρησιμοποιούνται στην πανεπιστημιούπολη του Ohio State University, η οποία μοιάζει με μια μικρή πόλη.

Έχοντας αυτό υπόψη, μια ομάδα της Πολιτείας του Οχάιο με επικεφαλής τον αναπλ. καθηγητή Keith Redmill, ανέπτυξε έναν αλγόριθμο βασισμένο σε AI για την ανάλυση των πλάνα που τραβήχτηκαν από αυτές τις κάμερες.

Το λογισμικό χρησιμοποιεί ένα μοντέλο βαθιάς εκμάθησης γνωστό ως YOLOv4 για την ανίχνευση και παρακολούθηση πολλαπλών αντικειμένων σε μεμονωμένα καρέ βίντεο. Αυτή η δυνατότητα του επιτρέπει να προσδιορίζει πόσα οχήματα υπάρχουν σε κάθε λήψη, πόσα κινούνται σε αντίθεση με το να κάθονται σταθμευμένα στην άκρη του δρόμου και την ταχύτητα/τροχιά αυτών που κινούνται.

Θα βλέπει το σύστημα ΑΙ τι γίνεται σε κάθε σημείο του δρόμου!

Χρησιμοποιώντας αυτά τα δεδομένα – μαζί με τους υπάρχοντες ψηφιακούς οδικούς χάρτες και τα δορυφορικά δεδομένα GNSS – ο αλγόριθμος μπορεί να παράγει εναέριους χάρτες των δρόμων στους οποίους ταξιδεύουν τα λεωφορεία, δείχνοντας την καταγεγραμμένη ροή κυκλοφορίας σε κάθε σημείο. Αντίθετα, οι κάμερες που τοποθετούνται στο δρόμο μπορούν να παρακολουθούν την κυκλοφορία μόνο σε σχετικά μικρό αριθμό καθορισμένων τοποθεσιών.

«Εάν συλλέξουμε και επεξεργαστούμε πιο ολοκληρωμένες χωρικές πληροφορίες υψηλής ανάλυσης για το τι συμβαίνει στους δρόμους, τότε οι σχεδιαστές θα μπορούσαν να κατανοήσουν καλύτερα τις αλλαγές στη ζήτηση, βελτιώνοντας αποτελεσματικά την αποτελεσματικότητα στο ευρύτερο σύστημα μεταφορών», δήλωσε η Redmill.

Μια εργασία σχετικά με την έρευνα δημοσιεύθηκε πρόσφατα στο περιοδικό Sensors .