스마트 시티:지능형 운송 시스템의 라이다 사례

스마트 도시 의제의 한 측면은 지능형 교통 시스템의 배포입니다. SFMTA(San Francisco Municipal Transportation Agency)의 라이더 센서를 사용하는 파일럿 프로젝트는 라이더가 샌프란시스코의 Vision Zero 정책의 일부인 도시의 스마트 교통 신호 파일럿을 위한 솔루션을 어떻게 제공했는지 보여주었습니다.

샌프란시스코의 거리를 여행하는 동안 매년 약 30명이 목숨을 잃고 200명 이상이 중상을 입는 것으로 생각되기 때문에 시의 비전 제로 정책의 목표는 도로 안전을 개선하는 것입니다. 이 더 큰 프레임워크 내에서 스마트 교통 신호 파일럿의 목적은 MMITSS(다중 지능형 교통 신호 시스템), DSRC(단거리 전용 통신), TSP(교통 신호 우선 순위) 및 EVP(긴급 차량 선점)의 사용을 탐색하는 것이었습니다. ) 긴급 및 대중 교통 차량에 우선 순위를 제공하는 기술. 또한 MMITSS는 보행자와 자전거를 감지하여 선두 간격, 스크램블 및/또는 보호된 위상을 제공할 수 있어야 합니다.

2020년 1월에 종료된 첫 번째 개념 증명은 5개의 교차로에 라이다 센서를 배치하고 96%의 정확도로 정확하고 익명으로 데이터를 프로파일링하는 능력을 보여주었습니다. 두 번째 개념 증명은 ITS에서 '지능'을 가능하게 하기 위해 신호 제어 네트워크에 데이터 계층을 추가할 것으로 예상합니다. 현재 진행 중이며 2021년 초에 완료될 예정입니다.

우리는 기술, 배포 및 얻은 결과에 대해 설명하는 두 사람과 이야기를 나누었으며 여기에서 대화의 주요 내용을 소개합니다. 먼저 라이더 센서 기술 제공업체인 Quanergy의 최고 마케팅 책임자인 Enzo Signore와 이야기를 나눴습니다. 그런 다음 우리는 SFMTA와 함께 프로젝트의 독립 전략 실행 컨설턴트였던 Paul Hoekstra와 함께 실제 개념 증명 프로젝트에 대해 더 깊이 파고 들었습니다.

Lidar:개체의 ID를 익명으로 추적

Quanergy의 Enzo Signore 은 특히 안면 인식 금지와 함께 사람과 차량 계산 및 흐름 관리가 필요한 이러한 유형의 애플리케이션에서 라이다 기술의 이점을 설명합니다.

경기장 및 스마트 시티와 같은 애플리케이션에서 라이다 기술의 핵심 가치 제안은 다양한 센서 지점을 통과하는 물체를 익명으로 추적하는 기능입니다. 예를 들어, 자동차는 많은 교차로를 통과하거나 보행자는 많은 영역을 통과합니다. Quanergy가 할 수 있는 일은 개체에 ID를 할당하는 것이며 해당 ID는 모니터링되는 영역의 여정 내내 개체와 함께 유지됩니다.

여러 교차로를 통과할 때 에지 컴퓨팅을 위해 여러 센서와 여러 서버가 필요하기 때문에 이는 수행하기가 매우 복잡합니다. 대부분의 기술은 자신이 관리하는 영역만 사일런트로 볼 수 있으며, 한 영역과 다른 영역의 경계를 넘을 때 ID가 손실되고 다른 ID가 부여됩니다. 이 접근 방식을 사용하면 사람들의 모든 흐름을 놓치기 시작합니다.

사람이나 차량의 ID를 한 영역에서 다른 영역으로 전달하는 자동 ID 전달이라는 기술이 있습니다. 따라서 시야가 있는 한 동일한 ID가 객체와 함께 유지됩니다. 이것은 매우 우수한 종단 간 가시성과 추적을 제공합니다. 이는 승객 경험을 최적화할 수 있는 연석에서 게이트까지 공항과 쇼핑 센터 및 도시에서 중요할 수 있습니다. 각 개인에 대한 단일 ID는 엔드 투 엔드 분석을 활성화하는 데 도움이 됩니다.

Quanergy의 센서인 M-시리즈는 흐름 관리 애플리케이션을 위해 특별히 설계된 MQ-8과 같은 장거리 감지 기능을 제공합니다. 이러한 센서의 차이점은 다음과 같습니다. 일반적인 라이더 센서는 대칭적인 빔 구성을 가지고 있습니다. 센서를 평평하게 장착하는 경우 일반적으로 빔의 절반은 하늘로 이동하고 빔의 절반은 지면으로 이동합니다. 가로등 기둥에 3미터 높이로 설치하여 보행자의 시야를 확보했다면 이 구성에서는 빔의 절반이 낭비됩니다.

우리 디자인에서 모든 빔은 실제로 아래를 가리키고 있어 지면을 대칭적으로 커버할 수 있습니다. 이는 사람이 시야를 가로질러 걸을 때 사각 지대가 없음을 의미합니다. 이를 통해 시야의 어느 곳에서나 사람이나 차량을 중단 없이 추적할 수 있습니다. 우리는 최대 70m(즉, 15,000제곱미터) 범위의 물체를 볼 수 있습니다. 이것은 유사한 범위를 달성하기 위해 많은 카메라가 필요한 매우 넓은 영역입니다. 따라서 센서의 수와 비용을 줄일 수 있습니다.

안면 인식과 관련된 개인 정보 보호 문제 극복

폴 훅스트라(SMTA) , 구현 이면의 생각과 세 번째 의 5개 교차에 대한 첫 번째 개념 증명(PoC)의 결과를 설명합니다. 거리 및 적용 범위 확대 계획

우리는 2019년 4월에 이 프로젝트의 파트너로 SFMTA, Cisco 및 Quanergy와 협력하기 시작했습니다. 처음에는 Cisco 패키지의 일부로 DSRC 센서가 있었습니다. 우리는 단지 우리가 덮고 있는 복도와 고속도로에 있는 모든 차들의 소리를 듣기 위해 그것들을 사용하고 있다는 것을 알게 되었습니다. 우리는 모든 자동차의 1% 미만이 실제로 DSRC 신호를 방송한다는 것을 발견했습니다. 이 사용 사례 관점에서 결론은 트래픽 흐름 측정에 DSRC를 사용할 수 없다는 것입니다. 결정을 내릴 만큼 중요하지 않습니다.

이 시점에서 우리는 Quanergy 센서로 첫 번째(PoC)를 완료했고 이제 두 번째 PoC를 진행 중입니다.

첫 번째 PoC에서 우리는 20개의 라이더 센서를 가져와서 3번째 의 5개 교차로에 설치했습니다. 작년에 문을 연 새 농구 경기장 근처 거리. Quanergy QORTEX 소프트웨어를 실행하는 Cisco TRX로 에지 컴퓨팅을 사용했습니다. 라이더의 데이터는 TRX 상자를 통해 이동하고 Qortex 소프트웨어는 데이터를 네트워크에 게시합니다. 네트워크는 데이터 센터로 이동합니다. 이 데이터는 Cisco Kinetic 플랫폼을 실행하는 작은 VM 클러스터로 모든 메시지를 매주 3천만 개 저장합니다.

매주 일요일 보고서는 차량에 대한 보고서로, 교차로에서 라이더 ID로 차량을 식별하며 시간, 요일, 어디에서 왔는지, 어디로 갔는지, 얼마나 자주 정류장이 있었는지, 얼마나 오래 정류장이 있었는지, 속도는 얼마였으며 이벤트가 있었는지(이벤트 캘린더에서). 이런 식으로 모든 교차로를 연결하고 복도를 통해 차량을 따라갈 수 있습니다. 그리고 우리는 "이것이 회랑의 남쪽에서 북쪽으로 진입한 양이고, 몇 개나 꺼졌는지 등등"과 같이 말할 수 있습니다.

Quanergy의 QORTEX를 사용하여 이를 보정했으며 96%의 정확도를 달성했습니다. 라이더로 ID를 셀 수는 없습니다. 수신과 동일한 ID가 송신에 있도록 논리를 빌드해야 합니다. 그 논리로 우리는 교차로를 통해 자동차를 따라갈 수 있습니다. 정류장이 무엇인지 정의하는 논리가 있습니다. 따라서 96% 정확도는 우리가 끝낸 곳이며 매우 정확합니다. 보행자의 경우 우리가 정의한 구역을 사용하여 사람이 연석에 있는지 여부를 확인할 수 있습니다. 사람이 횡단보도 경계 내부에 있는지 외부에 있는지 확인할 수 있습니다. 차가 그 사람과 얼마나 가까웠는지 알 수 있습니다. 이러한 종류의 데이터를 사용하여 거의 실패에 대한 보고서를 작성할 수 있습니다. 우리는 근거리 미스가 무엇인지 정의했습니다. 벡터, 속도, 그리고 그것들이 충돌하는 시간을 계산하고 그것이 특정 범위에 있는지 여부를 계산하면 이를 근거리 미스라고 부릅니다.

이것은 QORTEX에서 오는 데이터가 너무 정확하여 누구도 식별할 필요 없이 볼 수 있기 때문에 가능합니다. 우리는 식별 가능한 개인 정보를 저장하지 않습니다. 사람은 점에 불과합니다. 그리고 차는 블록일 뿐, 어떤 차인지 모릅니다. 크기에 따라 분류합니다.

첫 번째 PoC는 분석에 관한 것이었습니다. 두 번째 방법에서는 교차점의 수를 확장하고 있습니다. 이제 5개가 있고 10개로 갈 것입니다. 즉, 더 큰 복도입니다.

그런 다음 현재 캐비닛 내부에 잠겨 있는 모든 데이터를 계층화합니다. 캐비닛에는 신호 컨트롤러가 있고 컨트롤러에는 많은 액추에이터가 있습니다. 이들은 루프 감지 차량, 보행자 푸시 버튼 또는 경전철 트랙의 센서일 수 있습니다. 교통 신호 우선 순위가 있습니다. 이 모든 것이 임베디드 신호 컨트롤러에 있습니다.

그래서 우리가 지금 하고 있는 일은 신호 컨트롤러와 양방향 정보 교환을 가능하게 하여 플랫폼과 버스 정류장에서 라이더 데이터 및 객체 분류(완전히 익명)와 같은 교차로의 모든 데이터를 가져오는 것입니다. 이러한 센서의 개체 분류(모두 센서에서 처리됨)는 사람의 수와 분류를 제공합니다. 예를 들어 휠체어에 누군가가 있는지, 유모차를 밀고 있는 사람이 있는지, 자전거를 가지고. 이러한 많은 요소가 운송 차량의 체류 시간을 결정합니다. 우리는 그곳에 있는 사람들의 수를 기반으로 예상 체류 시간을 알고 싶습니다.

백엔드 시스템에서 차량의 수를 가져올 것입니다. 그런 다음 분석을 통해 20초의 체류 시간이 필요한지 또는 32초의 체류 시간이 필요한지 여부를 결정할 수 있습니다. 그런 다음 10개의 교차점을 모두 외삽할 수 있습니다.

전체 교통 회랑을 네트워크로 취급
전체 복도를 최적화하려면 사람과 차량이 어디에 있고 얼마나 오래 있는지 정확히 알지 못하면 불가능합니다. 이것은 우리가 전체 회랑을 개별 노드가 아닌 네트워크로 취급한다는 것을 의미합니다. 이것은 우리가 높은 빈도로 알고리즘을 실행한다는 것을 의미하며, 지금 우리는 1헤르츠보다 더 빠르게 갈 필요가 있는지 여부를 논의하고 있으며 1초마다 모든 것을 다시 계산합니다.

그런 다음 우리는 실제로 신호 컨트롤러에게 북쪽 방향으로 녹색으로 갈 것이라고 말합니다. 그러면 루프가 닫힙니다. Cisco의 공급망 작업에서 배우면 이것이 교차로를 통해 물건을 이동할 수 있는 유일한 방법이라는 것을 알고 있습니다. 모든 기술을 사용할 수 있지만 모든 사일로를 최적화할 뿐입니다. 이를 통해 통합교통관리라는 새로운 패러다임으로 큰 도약을 하고 있습니다.

샌프란시스코에는 이미 7,000대의 카메라가 있습니다. 그러나 카메라는 2D 사진만 제공합니다. 위치의 정확도는 라이더로 달성할 수 있는 것보다 덜 정확합니다. Lidar는 항상 비가 오거나 밤에 작동합니다. 그리고 그것은 개인 정보 보호 문제에서 매우 멀리 떨어져 있습니다. 사람들이 자신이 추적되고 있다는 것을 알게 되거나 인식될 수 있다는 사실을 알게 되는 순간, 사람들이 자신을 보호하는 정부에 대한 신뢰가 없다는 문제가 발생합니다.

이 프로젝트의 결과는 긴급 상황에 대처할 때 긴급 차량이 우선 순위를 가질 수 있도록 하고 대중 교통 시간과 정류장을 최적화하고 대중 교통을 이용할 수 없는 경우 차량을 군집으로 배치하여 복도를 더 효과적으로 이동할 수 있도록 하는 것입니다.