Em um projeto que aproveita a visão computacional, aprendizado de máquina, e sensores, Os cientistas do Oak Ridge National Laboratory estão trabalhando com a empresa privada GRIDSMART Technologies, Inc. para demonstrar como os semáforos podem ser programados para melhorar a economia de combustível e reduzir as emissões, ao mesmo tempo que facilita o fluxo do tráfego.

As câmeras de tráfego GRIDSMART já estão sendo usadas por comunidades em todo o mundo para substituir os sensores nas estradas tradicionalmente usados ​​para detectar veículos e informar o tempo dos semáforos. Essas câmeras inteligentes fornecem um tempo real, visão aérea dos cruzamentos, coleta de dados que podem orientar estratégias de fluxo de tráfego e tempo.

Os objetivos do programa são ensinar as câmeras GRIDSMART a estimar a eficiência de combustível dos veículos nas interseções e, em seguida, controlar o tempo dos semáforos para economizar energia e, ao mesmo tempo, otimizar o tráfego, explicou o líder do projeto, Tom Karnowski, da ORNL's Imaging, Sinais, e Grupo de Aprendizado de Máquina.

O potencial de economia de combustível é substancial. O Departamento de Energia dos EUA estima que a marcha lenta de veículos pesados ​​e leves combinados desperdiça cerca de 6 bilhões de galões de combustível por ano. À medida que os veículos param em cruzamentos e outros locais, o combustível é desperdiçado.

O projeto ORNL / GRIDSMART foi um dos primeiros a receber financiamento no âmbito do novo programa de computação de alto desempenho (HPC) para mobilidade (HPC4Mobility) do DOE Vehicle Technologies Office. Como parte da HPC para Iniciativa de Inovação de Energia, o programa reúne os recursos de supercomputação e perícia científica dos laboratórios nacionais do DOE em parceria com a indústria para encontrar soluções para os desafios de energia de transporte do mundo real.

A criação de um sistema de transporte inteligente em áreas urbanas de tráfego intenso requer observação além da capacidade humana, e a quantidade de dados gerados pelas câmeras GRIDSMART torna-o um ajuste excelente para o programa HPC4Energy, Karnowski observou.

"GRIDSMART está animado por trabalhar com ORNL neste projeto, "disse Jeff Price, Diretor de tecnologia GRIDSMART. "A mobilidade urbana multimodal apresenta desafios muito complicados. Colocar em prática os recursos ORNL em computação de alto desempenho e aprendizado de máquina nos dados exclusivos do GRIDSMART e grande base de instalação fornecerá alguns insights fascinantes."

A primeira fase para os pesquisadores do ORNL foi tirar imagens das câmeras aéreas de tráfego do GRIDSMART e compará-las com fotos no nível do solo para criar um banco de dados. Os pesquisadores querem treinar as câmeras para estimar a economia de combustível de vários veículos presentes nos cruzamentos, categorizando seu tamanho e classe de veículo.

Os pesquisadores do ORNL desenvolveram um sistema para combinar as fotos resultantes com dados de consumo de combustível para diferentes classes de veículos, que resultou em um rico conjunto de dados de imagens rotuladas.

"Qualquer projeto de aprendizado de máquina será tão bom quanto os dados que você colocar, "Karnowski disse.

A segunda fase do projeto é criar um aplicativo de software usando aprendizagem por reforço nos supercomputadores do ORNL. O aprendizado por reforço ensina basicamente um computador a jogar um jogo sem ser explicitamente programado para isso. "Nesse caso, o 'jogo' está economizando combustível sem sacrificar o rendimento, "Karnowski disse.

O projeto aproveita os sistemas de computação de alto desempenho no Oak Ridge Leadership Computing Facility, uma instalação de usuário do DOE Office of Science em ORNL, como o supercomputador Summit - o computador abertamente acessível mais poderoso do mundo. Os sistemas serão usados ​​para realizar simulações de cruzamentos e traçar estratégias matemáticas para orientar a temporização dos semáforos.

"A ideia é ensinar as câmeras a estimar o consumo de combustível e, em seguida, ensinar uma grade inteira dessas câmeras a gerenciar os semáforos para tornar o sistema mais eficiente em termos de combustível, "Karnowski disse.

Colaboradores do ORNL no projeto incluem Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, e Husain Aziz.

"Este projeto é um exemplo de como os recursos de computação de alto desempenho de laboratórios nacionais disponibilizados por meio do HPC4Mobility podem permitir que a indústria dos EUA otimize a eficiência energética e reduza as emissões, "disse Claus Daniel, Diretor do programa de Transporte Sustentável e líder do programa HPC4Mobility no ORNL. "Estamos trabalhando lado a lado com um parceiro privado para alavancar os recursos de computação do DOE e sua profunda experiência em aprendizagem para resolver um desafio de mobilidade do mundo real - um que irá economizar energia e melhorar o fluxo de tráfego."