L’IA aide à réduire la pollution, à économiser du carburant et à faciliter la circulation

Actualités de de l'Intelligence Artificielle - Machine Learning - Objets connectés

L’IA aide à réduire la pollution, à économiser du carburant et à faciliter la circulation



Des chercheurs appliquant des techniques d’IA, des caméras intelligentes et des capteurs pour trouver des moyens de mieux gérer le trafic, d’économiser du carburant et de faciliter le trafic. (Crédit: Getty Images)

Par AI Trends Staff

Les véhicules qui s’arrêtent aux feux rouges, qui tournent au ralenti en attendant que les feux de signalisation changent et qui accélèrent pour revenir à la vitesse gaspillent du carburant et ajoutent des polluants à l’air. Les véhicules au ralenti gaspillent plus de 6 milliards de gallons d’essence et de diesel combinés chaque année, selon le ministère de l’Énergie (DOE) estimations.

Cherchant un meilleur moyen, le DOE a accordé l’année dernière 1,89 million de dollars à des chercheurs de l’Université du Tennessee-Chattanooga, de l’Université de Pittsburgh, du Georgia Institute of Technology, du Oak Ridge National Laboratory et de la ville de Chattanooga pour créer un nouveau modèle pour les intersections de circulation réduit la consommation d’énergie et améliore la fluidité du trafic.

Le but du projet est de développer un système de contrôle de la circulation automatisé qui réduirait de 20% la consommation de carburant au niveau du corridor, tout en maintenant un environnement de transport sûr et efficace. Les chercheurs ont l’intention d’appliquer l’IA et l’apprentissage automatique pour soutenir un certain nombre d’applications de transport intelligentes, y compris la préemption des véhicules d’urgence, la priorité des signaux de transport en commun et la sécurité des piétons, selon des responsables de Pitt cités dans un compte de GCN.

Aleksandar Stevanovic, directeur, Pittsburgh Intelligent Transportation Systems Lab

«Nos véhicules et nos téléphones se sont combinés pour rendre la conduite plus sûre, tandis que les systèmes de transport intelligents naissants ont amélioré la congestion routière dans certaines villes. La prochaine étape de leur évolution est la fusion de ces systèmes grâce à l’IA », a déclaré Aleksandar Stevanovic, directeur du Pittsburgh Intelligent Transportation Systems Lab. «La création d’un tel système, en particulier pour les corridors urbains denses et les banlieues tentaculaires, peut grandement améliorer les impacts énergétiques et durables», a-t-il déclaré, notant que le transport dépendra fortement des véhicules à essence pendant un certain temps.

Oak Ridge National Lab travaille sur une partie du problème, dans un projet utilisant des caméras aériennes et des capteurs routiers pour identifier les camions commerciaux gourmands en essence dans la circulation. L’IA et les algorithmes d’apprentissage automatique identifient les véhicules les moins efficaces, puis suivent leur trajectoire et leur vitesse afin de modifier les feux de signalisation à l’avance. Cela élimine un certain degré de démarrage et d’arrêt inefficaces aux intersections et minimise la consommation de carburant.

Les tests sont menés sur un corridor intelligent existant construit à partir d’un partenariat de 2014 entre le Oak Ridge National Laboratory et l’Electric Power Board (EPB) de Chattanooga dans le cadre d’un effort de développement de nouvelles technologies énergétiques. Le couloir utilise des caméras, un LIDAR, un radar, des radios définies par logiciel, des communications sans fil et des capteurs pour la qualité de l’air et l’audio. Ceux-ci recueillent des informations à partir de leurs emplacements sur des poteaux le long d’une section de 10 pâtés de maisons du boulevard Martin Luther King dans le centre-ville de la ville. Un réseau fibre 10 Gbps sous-tend le banc d’essai de la ville intelligente, permettant la transmission de données en temps réel.

Les caméras intelligentes AI semblent devenir plus répandues

Les caméras intelligentes d’IA transformeront la gestion du trafic d’ici 2025, selon un nouveau rapport d’ABI Research, des analystes technologiques, décrit dans un compte SmartCitiesWorld. Les caméras permettront des applications de vision industrielle telles que la détection des piétons et l’alerte.

L’entreprise prévoit que plus de 155 000 caméras basées sur l’intelligence artificielle seront utilisées d’ici 2025, contre 33 000 en 2020. En la Cas d’utilisation Edge Analytics Cloud dans les villes intelligentes et le transport intelligent rapport de recherche, Les applications de gestion du trafic comprennent les feux de signalisation adaptatifs, la hiérarchisation et la préemption des véhicules, l’accès au stationnement et la détection, et le péage électronique.

Dominique Bonte, Vice-président, ABI Research

Les revenus des systèmes de caméras passeront de 46 millions de dollars en 2020 à 189 millions de dollars en 2025, selon Dominique Bonte, vice-président d’ABI Research. «Les processeurs avancés compatibles avec l’intelligence artificielle avec accélération matérielle pour les infrastructures logicielles de réseau neuronal haute performance de fournisseurs de silicium comme Intel, Nvidia et Qualcomm propulsent les caméras intelligentes dans le courant dominant, offrant plus de fonctionnalités et de flexibilité à des prix inférieurs par rapport au trafic hérité et électronique capteurs de péage (ETC) comme les boucles magnétiques et l’identification par radiofréquence (RFID) », a-t-il déclaré.

Un réseau informatique à faible latence est un réseau optimisé pour traiter un volume élevé de messages de données avec un délai ou une latence minimal. Le déploiement de la 5G et du véhicule à tout (V2X) La connectivité permettra de déplacer les analyses à faible latence vers la périphérie des réseaux de télécommunications – appelés cloud de périphérie, cloud de réseau, informatique de périphérie multi-accès (MEC) ou cloud distribué – permettra une nouvelle gamme de catégories d’applications dans des zones géographiques plus vastes, ABI prévoit .

Ceux-ci comprendront:

  • gestion des intersections routières: feux de signalisation adaptatifs coopératifs et gestion du trafic à distance;
  • opérations de sûreté et de sécurité: alertes de dangers et de sécurité en crowdsourcing et systèmes de gestion des interventions télécommandées installés sur les lampadaires, les bâtiments et autres mobiliers urbains; et
  • gestion autonome des actifs: contrôle et commande à distance de véhicules sans conducteur, de drones et de robots.

«Dans la plupart des cas, le cloud de périphérie ne remplacera pas le bord de la route, mais complétera et améliorera les systèmes de sûreté et de sécurité locaux en solutions plus agrégées, collectives, coopératives et holistiques, y compris en fournissant aux jumeaux numériques urbains des renseignements locaux exploitables», a déclaré Bonte.

L’équipe Texas A&M utilise un réseau neuronal profond pour le contrôleur de signal

Des chercheurs unet L’Université Texas A&M applique l’apprentissage par renforcement à l’étude de la gestion du trafic. L’équipe applique des algorithmes d’apprentissage qui récompensent les résultats favorables dans le but d’optimiser le contrôleur de signal pour prendre des décisions qui améliorent les opérations, dans ce cas, une réduction de l’accumulation des retards de trafic.

Le modèle utilise un algorithme d’apprentissage automatique de réseau neuronal profond (DNN), qui a tendance à être imprévisible et incohérent dans leur prise de décision, ce qui rend difficile de travailler avec eux, a déclaré Guni Sharon, professeur au Département d’informatique et d’ingénierie. chez Texas A&M, dans un compte de Futurité. Pour surmonter cela, Sharon et son équipe ont défini et validé une approche qui peut réussir à former un DNN en temps réel tout en transférant ce qu’il a appris de l’observation du monde réel à une fonction de contrôle différente qui peut être mieux comprise et régulée par les ingénieurs.

À l’aide d’une simulation d’une intersection réelle, l’équipe a constaté que leur approche était efficace pour optimiser leur contrôleur interprétable, ce qui se traduisait par une réduction jusqu’à 19,4% du retard du véhicule par rapport aux contrôleurs de signaux couramment déployés. Les chercheurs ont déclaré qu’il a fallu environ deux jours au contrôleur pour comprendre quelles actions aident à atténuer la congestion du trafic.

«Notre travail futur examinera les techniques pour relancer le processus d’apprentissage du contrôleur en observant le fonctionnement d’un contrôleur actuellement déployé tout en garantissant un niveau de base de performance et en tirant des leçons», a déclaré Sharon.

Lisez les articles sources sur GCN, SmartCitiesWorld et Futurité.