Un team di ricercatori dell'Università di Memphis ha recentemente sviluppato un sistema di monitoraggio del traffico (TMS) portatile e a basso costo chiamato DeepWiTraffic. Questo nuovo sistema, presentato in un articolo pre-pubblicato su arXiv, combina dispositivi Wi-Fi e deep learning.

I TMS sono una componente chiave dei sistemi di trasporto intelligenti (ITS), che mirano a migliorare la sicurezza e l'efficienza dei trasporti. I TMS raccolgono dati sul traffico relativi alle prestazioni di un sistema stradale, parametri di misurazione come il numero di veicoli in transito, così come la densità del veicolo, velocità, e classe.

Negli Stati Uniti, il Dipartimento dei trasporti (DOT) in ogni stato ha il compito di raccogliere informazioni sul traffico sui veicoli che attraversano autostrade e strade. I TMS utilizzati per contare e classificare automaticamente i veicoli possono essere temporanei o permanenti.

"Un problema endemico per molti DOT statali è l'alto costo per l'implementazione di un numero sufficiente di TMS per coprire la gigantesca area terrestre degli Stati Uniti, soprattutto considerando le enormi miglia (119, 247) di autostrade rurali, " hanno scritto i ricercatori nel loro articolo. "Secondo il Georgia DOT, il costo minimo per installare un TMS continuo su una strada rurale a due corsie è di circa $ 25, 000, e la classificazione dei veicoli per 365 giorni su una strada rurale a due corsie è più costosa, che costa circa $ 35, 770."

Nel loro recente studio, i ricercatori hanno affrontato le sfide associate all'alto costo dei TMS esistenti sviluppando un approccio innovativo ea basso costo al monitoraggio del traffico basato sulle informazioni sullo stato del canale Wi-Fi (CSI) e sul deep learning. Il loro TMS impiega tecniche di rilevamento e classificazione dei veicoli non intrusive, utilizzando caratteristiche distintive del canale wireless per classificare i veicoli in transito.

"DeepWiTraffic consente il rilevamento e la classificazione accurati dei veicoli sfruttando le uniche informazioni sullo stato del canale WiFi (CSI) dei veicoli in transito, " I ricercatori hanno spiegato nel loro articolo. "Le correlazioni spaziali e temporali dei dati di ampiezza e fase CSI preelaborati vengono identificate e analizzate utilizzando il deep learning per classificare i veicoli in cinque diversi tipi:moto, veicolo passeggeri, fuoristrada, camioncino, e grande camion."

Nelle comunicazioni senza fili, CSI si riferisce alle proprietà del canale di un collegamento di comunicazione, descrive come il segnale viaggia dal trasmettitore al ricevitore. CSI include ricche informazioni sui cambiamenti nelle proprietà del canale causati dal passaggio dei veicoli, che può essere utilizzato per classificare i veicoli.

I ricercatori hanno progettato una rete neurale convoluzionale (CNN) in grado di acquisire automaticamente le caratteristiche ottimali dei dati CSI e quindi hanno addestrato un modello di classificazione dei veicoli su dati CSI pre-elaborati. Hanno anche usato altre tecniche per migliorare l'accuratezza della classificazione del modello, ad esempio, mitigando gli effetti causati dagli ostacoli che circondano i veicoli, compresi oggetti o persone che si muovono a bassa velocità.

DeepWiTraffic è stato testato su una grande quantità di dati CSI di veicoli in transito e corrispondenti dati video sulla verità al suolo, per un totale di circa 120 ore. Ha raggiunto una precisione di rilevamento media del 99,4 percento e una precisione di classificazione media del 91,1 percento, nonostante il suo basso costo di circa $ 1000.

"Nonostante il basso costo del sistema proposto, l'accuratezza media della classificazione per cinque diversi tipi di veicoli era del 91,1 percento, che è paragonabile alle recenti soluzioni di classificazione dei veicoli non invasive, " I ricercatori hanno scritto nel loro articolo. "Ci aspettiamo che DeepWiTraffic contribuirà a risolvere il problema dei costi di implementazione di un gran numero di TMS per coprire le enormi miglia di autostrade rurali".

© 2019 Scienza X Rete