In un progetto che sfrutta la visione artificiale, apprendimento automatico, e sensori, Gli scienziati dell'Oak Ridge National Laboratory stanno lavorando con la società privata GRIDSMART Technologies, Inc. per dimostrare come le luci di stop possono essere programmate per migliorare il risparmio di carburante e ridurre le emissioni, facilitando il flusso regolare del traffico.

Le telecamere del traffico GRIDSMART sono già utilizzate dalle comunità di tutto il mondo per sostituire i sensori su strada tradizionalmente utilizzati per rilevare i veicoli e informare i tempi dei segnali stradali. Queste telecamere intelligenti forniscono un in tempo reale, vista a volo d'uccello degli incroci, raccogliere dati che possono guidare le strategie temporali e di flusso del traffico.

Gli obiettivi del programma sono insegnare alle telecamere GRIDSMART a stimare l'efficienza del carburante dei veicoli agli incroci e quindi a controllare i tempi dei segnali stradali al fine di risparmiare energia ottimizzando al contempo il flusso di traffico, ha spiegato il capo progetto Tom Karnowski di ORNL's Imaging, Segnali, e gruppo di apprendimento automatico.

Il potenziale di risparmio di carburante è notevole. Il Dipartimento dell'Energia degli Stati Uniti stima che il minimo dei veicoli pesanti e leggeri combinati spreca circa 6 miliardi di galloni di carburante all'anno. Poiché i veicoli sono inattivi agli incroci e in altri luoghi, il carburante viene sprecato.

Il progetto ORNL/GRIDSMART è stato uno dei primi finanziamenti assegnati nell'ambito del nuovo programma High Performance Computing (HPC) for Mobility (HPC4Mobility) del DOE Vehicle Technologies Office. Nell'ambito dell'HPC for Energy Innovation Initiative, il programma riunisce le risorse di supercalcolo e le competenze scientifiche dei laboratori nazionali del DOE in collaborazione con l'industria per trovare soluzioni alle sfide energetiche dei trasporti del mondo reale.

La creazione di un sistema di trasporto intelligente nelle aree urbane ad alta densità di traffico richiede un'osservazione oltre la capacità umana, e la quantità di dati generati dalle telecamere GRIDSMART lo rende un'ottima soluzione per il programma HPC4Energy, Karnowski notato.

"GRIDSMART è entusiasta di lavorare con ORNL su questo progetto, " ha detto Jeff Price, Chief Technology Officer di GRIDSMART. "La mobilità urbana multimodale pone sfide molto complicate. Mettere a frutto le capacità di ORNL nel calcolo ad alte prestazioni e nell'apprendimento automatico sui dati unici di GRIDSMART e sull'ampia base di installazioni fornirà alcune intuizioni affascinanti".

La prima fase per i ricercatori dell'ORNL è stata quella di acquisire immagini dalle telecamere del traffico aereo di GRIDSMART e confrontarle con le foto a livello del suolo per creare un database. I ricercatori vogliono addestrare le telecamere a stimare il risparmio di carburante di vari veicoli presenti agli incroci classificando le loro dimensioni e la classe del veicolo.

I ricercatori dell'ORNL hanno sviluppato un sistema per combinare le foto risultanti con i dati sul consumo di carburante per diverse classi di veicoli, che ha portato a un ricco set di dati di immagini etichettate.

"Qualsiasi progetto di machine learning sarà valido solo quanto i dati che stai inserendo, " ha detto Karnowski.

La seconda fase del progetto consiste nel creare un'applicazione software utilizzando l'apprendimento per rinforzo sui supercomputer dell'ORNL. L'apprendimento per rinforzo insegna fondamentalmente a un computer come giocare a un gioco senza essere esplicitamente programmato per farlo. "In questo caso, il "gioco" è risparmiare carburante senza sacrificare la produttività, " ha detto Karnowski.

Il progetto sfrutta i sistemi di calcolo ad alte prestazioni presso l'Oak Ridge Leadership Computing Facility, una struttura per gli utenti dell'Ufficio delle scienze del DOE presso l'ORNL, come il supercomputer Summit, il più potente computer accessibile al mondo. I sistemi verranno utilizzati per eseguire simulazioni di intersezioni e elaborare strategie matematiche per guidare i tempi dei semafori.

"L'idea è quella di insegnare alle telecamere a stimare il consumo di carburante e poi insegnare a un'intera griglia di quelle telecamere a gestire i semafori per rendere il sistema più efficiente dal punto di vista dei consumi, " ha detto Karnowski.

I collaboratori di ORNL al progetto includono Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, e Husayn Aziz.

"Questo progetto è esemplare per come le risorse di calcolo ad alte prestazioni dei laboratori nazionali rese disponibili tramite HPC4Mobility possono consentire all'industria statunitense di ottimizzare l'efficienza energetica e ridurre le emissioni, "ha detto Claus Daniel, Direttore del programma di trasporto sostenibile e responsabile del programma HPC4Mobility presso l'ORNL. "Stiamo lavorando fianco a fianco con un partner privato per sfruttare le risorse informatiche del DOE e le competenze di deep learning per risolvere una sfida di mobilità nel mondo reale, una che farà risparmiare energia e migliorerà il flusso di traffico".