现在的位置: 首页 > 新闻中心 > 方案/报告 > 正文

吴柯维:AI+智慧交通场景化应用

2019年05月15日 方案/报告 ⁄ 共 4426字 ⁄ 字号 评论关闭

如何精确捕捉到交通各参与主体的精细要素一直是智慧交通发展面临的一大问题,北京卓视智通科技有限责任公司CEO吴柯维表示,AI场景化应用将显著助力智慧交通的未来发展。

吴柯维在第二届(2019)中国人工智能+交通论坛上就人工智能与深度学习的历史、未来AI发展的方向、以及AI如何赋能智慧交通应用落地做了详细阐述。

目前,卓视智通在AI与智慧交通的结合上进行了诸多创新,无论是城市道路交通,还是高速公路,识别内容由车辆延伸到行人、路况环境,都做了投入并取得了一定的成果。

以下为吴柯维演讲的全部内容:

大家好,我们卓视智通一直专注于车脸识别和交通大数据应用,并致力于人工智能在交通相关垂直行业场景应用。今天我的演讲主题是:AI场景化应用,助力智慧交通落地。 因为在坐的很多并不是人工智能领域的科研人员,首先让我们简单回顾一下人工智能的发展历史。

人工智能的历史

我认为人工智能有两个大的时间节点,第一节点:起源—1956年达特茅斯会议。第二节点:腾飞—近期深度学习的广泛应用。

2006年Geoffrey Hinton发表了一篇论文,提出了深度学习相关理论及训练方法,当时并没有受到特别大的关注。

直到2012年,通过深度学习实现的图像分类方法在ILSVRC图像识别比赛上大放异彩,取得了远超前一年冠军的好成绩,才让深度学习技术受到Google,Facebook等大公司的关注和大规模投入。

值得一提的是,ILSVRC图像识别比赛所用到的ImageNet数据集是由华人女科学家李飞飞2007自主筹资发起的,可以说,正式由于这个数据集的建立,推动了深度学习技术从理论走向了应用。

直到2016年,AlphaGo 事件,让深度学习走向大众视野。

深度学习技术目前来说,贡献大的在计算机视觉和语音识别两个领域,其中计算机视觉领域取得的进展大,这也解释了,为什么近年来AI技术广泛应用于安防、交通等领域。

那么深度学习为什么能取得令人惊艳的效果?深度学习让计算机自动学习内在逻辑,而计算机机器学习终其一生,就是在求一个目标函数的最小值,最小化损失,这有点类似人类的思维模式。其内在逻辑遵循奥卡姆剃刀原则——经济的往往是适用的。

深度学习的贡献之一,是认知能力的提升,但对于智慧交通系统而言,除了认知,还需要决策,因此AI真正能给智慧交通带来全面改变,还有很长的路要走。深度学习目前对于计算机视觉改进显著的有两个方面:

第一:车脸识别。由车牌识别发展到车脸识别,并且是360度任意角度识别,识别内容包括车内外的可见的所有特征信息,这为智慧交通系统奠定了数据采集基础。

第二:人脸识别。LFW库上人脸识别准确率超过99.8%,动态人脸识别获广泛应用。

人工智能当前的发展阶段

由2018年8月公布的新兴技术成熟度曲线Gartner可知,深度学习目前已经处于顶点位置。关于下一步如何发展?接下来是否会有更好的突破?等问题已经被提出。

深度学习逐步进入到发展相对缓慢、技术迭代周期加长的阶段,在这一阶段中,许多的AI芯片和前端智能化产品逐步诞生,这也催生了边缘计算概念的提出,在这个背景下,云+端将是新的趋势,2019年也将是边缘计算大爆发的一年。

近年来,科学界和工业界开始意识到,深度学习已经不再是包治百病的灵丹妙药,在这个大背景下,AI只有针对场景化的优化,各个击破,才能真正解决问题。下面我从几个典型的场景来一一阐述。

1、AI+智能驾驶

自动驾驶目前在智能交通领域被认为是具潜力的应用方向之一,近年来受到资本的青睐。

自动驾驶的愿景虽然美好,但现阶段依然存在着很多问题,例如自动驾驶车辆也频繁发生交通事故,很多自动驾驶的演示方案往往是一些路况条件特别好的道路,对于大角度的弯道或一些具有非视距障碍物的道路,往往很难有效处理。

这一些的问题导致近一年来,产业界对自动驾驶普遍持悲观态度,认为其可能是未来二十年甚至更久才能实现的故事,川普前一阵甚至说未来五十年都不可能实现。

但基于自动驾驶技术已经可以落地的辅助驾驶今年备受资本关注,原因是其可以更好的商业化落地。我个人比较看好辅助驾驶。

目前我们也正在打造了一项短期内可服务于辅助驾驶,远期可助力自动驾驶的技术——车路协同道路全息感知。

我们通过道路路侧的摄像机精准感知道路的路况、车辆以及行人等参与主体的位置、速度和方向,识别道路上的一些异常交通事件,落地车路感知技术。交通事件检测系统在高速公路上目前已经大量投入使用,城市道路近年也在逐步开始应用,但仅限于异常交通事件的检测和报警。

通过路侧摄像机将道路参与主体(人、车、非机动车)的状态、速度、方向、位置等信息进行检测,通过C-V2X或5G技术给周边车辆进行超低延时的广播,让其知道自己所处的环境,这显著提升了车载辅助驾驶系统和未来的自动驾驶车辆的环境感知能力,它相当于给每一辆车安装了一个“天眼”,能够站在高空俯视车辆周边的道路和环境,类似于“上帝视角”。

可以想象,这种环境感知弥补了辅助驾驶系统和自动驾驶车辆上车载传感器无法解决前方遮挡、大角度弯道或坡道、检测距离有限的非视距问题,随着5G及V2X技术的广泛应用,能够产生价值的车联网应用,例如高速公路上的团雾是目前高速公路交通事故特别是连环碰撞事故的主要原因之一,由于其发生距离短,往往只有几百米半径,传统的高速公路气象检测系统不容易发现,即使发现也无法通知车辆。

而对于基于视觉检测和5G及V2X技术的车路协同感知系统来说,检测相对容易。我们可以利用该技术将检测到的团雾预警信息发送给500米以外的车辆,提醒车辆减速规避危险,可以有效规避团雾引发的连环追尾事件,减少人车伤亡损失。

可以想象,未来路侧车路协同视觉检测单元,对于道路而言,将会变成一项必备的基础设施,它会像道路两侧的照明灯一样,将整个的道路状况清晰的检测出来,并通过5G等通信技术无延迟的投射到道路上的参与主体——车辆的“大脑”里,为辅助驾驶系统和自动驾驶车辆增加了一双天眼,为道路车辆行驶保驾护航,未来没有配置车路协同道路感知的道路好比是漆黑无灯的乡村公路,汽车都得小心翼翼缓慢行驶,而配置了车辆协同道路感知的道路就好比是灯火通明的公路,汽车视野开阔可以快速通过。

2、AI+智慧交管

近年来,构建城市级“交通大脑”被认为是一项行之有效可落地的智慧交通解决方案。

我们也正在通过车辆识别、行人识别和大数据来构建交通大脑,调动城市内的所有摄像头对车辆和目标进行精确感知,最终将结果映射到地图上,由此构建现实世界的虚拟数字镜像。

通过这个工作,可以实现车道级的车流统计与交通流仿真,道路参与主体人与车的跨镜头跟踪,高效精准的道路事件应急处置方案,精准的道路路况感知与识别等。

除此之外,对于车辆识别,我们将过去的7个字符的车牌识别扩充到了4000维度车辆特征识别。

过去的道路监测系统只能拍摄到车辆的车牌号等简单信息,通过AI技术,我们可以进行多维度识别并获得车辆的详细多维特征信息,例如车的品牌、年检标志、车内饰、车身粘贴标志、车辆天窗行李架特征等、驾驶人、副驾驶的人脸信息等,对车辆多维特征信息的掌握,可以衍生出非常广泛的杀手级AI应用,如套牌车假牌车识别、无牌车追踪及轨迹检测、无牌车违法处罚、遮挡号牌车辆分析研判、危化品车辆检测预警等等,我们称之为车脸识别技术。

下图为以宝马为例的案例分析:


通过车辆多维特征识别,还可以识别车辆的收费类型和轴型、轴数、轮数,进而推算出载重。今年两会中提到,要在2年内取消省界收费站,通过摄像头实现自动化的收费类型识别,将显著加速省界收费站取消的进程,这也是AI助力智慧交通的典型应用。

3、AI+智慧停车

智慧停车是近年来特别火爆的一个智慧交通场景应用,通过车牌识别的应用已经落地了无感支付,无人值守收费等典型的AI场景应用。

我们利用车辆特征进行精准识别,可以实现无牌车、污损号牌车辆的进出场精准匹配和计费,并通过AI识别规避通过打印号牌或手机图片开闸的恶意逃费。

除此之外,我们还可以构建了一个AI无线视图物联识别感知平台,通过PaaS将AI能力赋能给智慧停车行业,其中一个比较典型的案例就是,我们给南京某大型商业综合体提供了入口车辆的精准识别画像,通过精准识别入口车辆的品牌、价位、颜色,并将数据推送给商家,由商家实现精准化的营销推送。

车位余量统计一直是智慧停车领域一大痛点,由于没有精准的车辆余位信息,因此区域的停车位诱导系统往往效果不佳体验不好。

目前我国尚没有一个平台能精确发布全国各地停车场剩余余量信息,主要是因为现有的车位检测方式,地上主要依靠地磁,地下主要依靠车位识别摄像机和超声波探测,其中地上检测问题尤为突出,地磁用于停车场干扰较为严重,精度往往不能很好的满足用户要求。

我们通过AI实现了车位占用状态识别,通过一个或多个摄像机组合即可实现一个室外停车场的车位余量实时检测,成本低,施工简单,精度高。

通过4G无线图传,通过PaaS云平台云服务的识别方式,采用低成本实现智慧停车的监测,目前已经在全国多省市停车场应用,这也是一个非常典型的AIot应用和AI智慧交通的场景化应用。

4、AI+智慧民航

AI技术除了在道路交通上广泛应用,在民航领域也能场景化落地。我们在国内某大型国际机场,通过AI实现了飞机泊位占用与停机坪检测,便于机场管理方进行飞机停靠的精准检测与识别。

除此之外,我们今年还打造了一款基于无人机的违规停车及占用车道违法抓拍系统,通过接入无人机的视频图像,通过AI实现违法停车抓拍及应急车道、公交车道违法抓拍。

这些都是AI在智慧民航领域的典型场景化应用。

5、AI+公共交通

AI技术还可在公共交通领域进行场景化落地。我们通过对轨道交通和公交场站环境下行人的姿态关键点捕捉,可以在大客流及密集人群的情况下,监测人群密度、断面流量及乘客异常行为。

在旅游景区及普通山路,对行人进行分析并进行道路预警。此外还可以在公交场站进行人数统计及排队长度的统计,将信息发送给公交公司支持其进行精细化的公交调度。

展望未来

尽管近年来因为深度学习技术的应用,人工智能与计算机视觉领域取得了巨大的进展,但目前AI技术还不够成熟,很多场景下还无法实现100%或99.9%以上精度的识别,因而在很多地方,还不能完全满足应用的需求,因而需要针对场景,各个击破,把每个场景做到真正可用,这也是本次演讲的主题,AI场景化应用助力智慧交通。

当一个技术还不能完全解决应用的需求时,就意味着存在巨大的商业机会。我们的生活中还有太多不够智能的地方,AI的水平离大众想象的还差的很远,因而机会巨大,特别是在智慧交通领域。

我国经过近四十年的高速发展,“衣食住行”中前三个基本解决,但行依然面临着很多问题,这需要无数AI与智慧交通领域同仁的共同奋斗。

我们将继续坚持,不忘初心,精耕行业,致力做到让机器看懂世界,赋能生产与生活!通过AI技术,让交通更便捷更安全,为城市智慧交通贡献一份力量!

(来源:赛文交通网)

 

抱歉!评论已关闭.

×