Uma equipe de pesquisadores da Universidade de Memphis desenvolveu recentemente um sistema de monitoramento de tráfego portátil (TMS) de baixo custo chamado DeepWiTraffic. Este novo sistema, apresentado em um artigo pré-publicado no arXiv, combina dispositivos Wi-Fi e aprendizado profundo.

TMSs são um componente chave dos sistemas de transporte inteligentes (ITS), que visam melhorar a segurança e eficiência do transporte. Os TMSs coletam dados de tráfego relacionados ao desempenho de um sistema rodoviário, parâmetros de medição, como número de veículos que passam, bem como densidade de veículos, Rapidez, e classe.

Nos Estados Unidos, o Departamento de Transporte (DOT) em cada estado tem a tarefa de coletar informações de tráfego sobre os veículos que trafegam em rodovias e estradas. Os TMSs usados ​​para contar e classificar veículos automaticamente podem ser temporários ou permanentes.

"Um problema endêmico para muitos DOTs estaduais é o alto custo de implantação de um número suficiente de TMSs para cobrir a gigantesca área terrestre dos EUA, especialmente considerando as enormes milhas (119, 247) de rodovias rurais, "os pesquisadores escreveram em seu artigo." De acordo com o Georgia DOT, o custo mínimo para instalar um TMS contínuo em uma rodovia rural de duas pistas é de cerca de US $ 25, 000, e a classificação de veículos de 365 dias em uma rodovia rural de duas pistas é mais cara, custando cerca de US $ 35, 770. "

Em seu estudo recente, os pesquisadores abordaram os desafios associados ao alto custo dos TMSs existentes, desenvolvendo uma abordagem inovadora e de baixo custo para o monitoramento de tráfego com base em informações de estado do canal Wi-Fi (CSI) e aprendizado profundo. Seu TMS emprega técnicas de detecção e classificação de veículos não intrusivas, usando características distintas do canal sem fio para classificar os veículos que passam.

"O DeepWiTraffic permite a detecção e classificação precisas de veículos, explorando as informações exclusivas de estado do canal WiFi (CSI) de veículos que passam, "Os pesquisadores explicaram em seu artigo." As correlações espaciais e temporais de dados de amplitude e fase de CSI pré-processados ​​são identificadas e analisadas usando aprendizado profundo para classificar veículos em cinco tipos diferentes:motocicleta, Veículo passageiro, SUV, caminhonete, e um grande caminhão. "

Em comunicações sem fio, CSI se refere às propriedades do canal de um link de comunicação, descrevendo como o sinal viaja do transmissor ao receptor. O CSI inclui informações valiosas sobre as mudanças nas propriedades do canal causadas pela passagem de veículos, que pode ser usado para classificar veículos.

Os pesquisadores projetaram uma rede neural convolucional (CNN) que pode capturar automaticamente os recursos ideais dos dados CSI e, em seguida, treinaram um modelo de classificação de veículos em dados CSI pré-processados. Eles também usaram outras técnicas para melhorar a precisão da classificação do modelo, por exemplo, mitigando os efeitos causados ​​por obstáculos ao redor dos veículos, incluindo objetos ou pessoas se movendo em baixa velocidade.

DeepWiTraffic foi testado em uma grande quantidade de dados CSI de veículos que passavam e dados de vídeo verdadeiros correspondentes, por um total de aproximadamente 120 horas. Atingiu uma precisão de detecção média de 99,4 por cento e uma precisão de classificação média de 91,1 por cento, apesar de seu baixo custo de cerca de US $ 1000.

“Apesar do baixo custo do sistema proposto, a precisão média da classificação para cinco tipos de veículos diferentes foi de 91,1 por cento, que é comparável a soluções de classificação de veículos não intrusivas recentes, "os pesquisadores escreveram em seu artigo." Esperamos que DeepWiTraffic contribua para resolver a questão de custo de implantação de um grande número de TMSs para cobrir os enormes quilômetros de rodovias rurais. "

© 2019 Science X Network