Nieuwe radarsensortechnologie voor intelligente multimodale verkeersmonitoring op kruispunten

Intelligente transportsystemen (ITS) hebben verkeersgegevens nodig om soepel te kunnen werken. Op kruispunten, waar de meeste kans op conflicten tussen weggebruikers bestaat, is het van cruciaal belang om de verschillende verkeersmodi betrouwbaar en intelligent te kunnen monitoren.

De Federal Highway Administration (FHWA) schat dat meer dan 50 procent van het gecombineerde totaal aan dodelijke en letselongevallen plaatsvindt op of nabij kruispunten. Voor voetgangers is het kruispunt een bijzonder gevaarlijke plaats: de stad Portland, Oregon heeft vastgesteld dat tweederde van alle ongevallen waarbij een voetganger betrokken is, plaatsvindt op kruispunten. En als het in de herfst en winter vroeger donker wordt, nemen het aantal ongevallen dramatisch toe. Weten wat er gebeurt bij slecht zicht is dus essentieel voor de mobiliteit en veiligheid van alle weggebruikers.

Sommige bureaus gebruiken camera’s om verkeersmodi te bewaken, maar camera’s zijn beperkt in regenachtige, donkere of mistige omstandigheden. Sommige steden gebruiken radar in plaats van camera’s, wat beter werkt bij slecht zicht, maar meestal niet zo’n uitgebreid beeld geeft van wat er aan de hand is. Conventionele radar geeft bewegings- en positiegegevens voor alle naderende entiteiten, maar het is erg moeilijk om het verschil tussen modi met enige betrouwbaarheid te zien.

In het laatste rapport, gefinancierd door het National Institute for Transportation and Communities (NITC), Ontwikkeling van intelligente multimodale verkeersmonitoring met behulp van radarsensoren op kruispunten, hebben onderzoekers Siyang Cao, Yao-jan Wu, Feng Jin en Xiaofeng Li van de Universiteit van Arizona het probleem aangepakt door een radarsensor met hoge resolutie te ontwikkelen die op betrouwbare wijze onderscheid kan maken tussen auto’s en voetgangers. Deze sensor levert ook de tellingen, snelheid en richting van elk bewegend doel, ongeacht de verlichting en het weer. In de toekomst zijn ze van plan hun model verder te verfijnen om complexere gegevens te interpreteren en aanvullende modi te kunnen identificeren.

Waarom mmWave-radar gebruiken?

Het prototype apparaat maakte gebruik van een millimetergolf (mmWave) radarsensor met hoge resolutie die beter presteert dan camera’s bij slecht zicht en conventionele radar verslaat door een rijker beeld te geven.

“De mmWave-radar verschilt ook van andere sensoren doordat deze een relatief stabiele radiale snelheid kan bieden, wat erg handig is voor ons om de snelheid van voertuigen te identificeren,” zei Cao.

Dit geeft het systeem een ​​voordeel ten opzichte van op licht gebaseerde sensoren zoals LiDAR. LiDAR-systemen kunnen zeer gedetailleerd “zien”, waardoor het gemakkelijk is om te bepalen wat een object is; maar ze hebben moeite met beweging en snelheid. MmWave-radar kan de snelheid van een bewegend doel veel betrouwbaarder bepalen dan LiDAR.

“Het belangrijkste probleem bij multimodale verkeersmonitoring is het vinden van de snelheid en het volume van elke modus. Een sensor moet de snelheid van een object kunnen detecteren, volgen, classificeren en meten, terwijl het ook goedkoop en laag stroomverbruik is. Met Met realtime verkeersstatistieken hopen we de verkeersefficiëntie te verbeteren en ook het aantal ongevallen te verminderen”, aldus Cao.

De mmWave-radarsensor werkt ook op een lagere frequentieband dan LiDAR, waardoor hij stabieler is onder verschillende weersomstandigheden (regen, sneeuw, mist, rook, enz.). Bij multimodale verkeersmonitoring moeten sensoren buitenshuis worden gebruikt, dus mmWave-radar is een optimale keuze.

Testen van de sensor op een kruispunt

Het onderzoeksteam ontwikkelde een multivariate Gaussiaans mengselmodel (GMM) om de informatie van de mmWave-radarsensor te interpreteren. Ten eerste verkrijgt de sensor een rijke weergave van de radarpuntenwolk. Vervolgens segmenteert het model de puntenwolken in drie soorten objecten: voetgangers, sedans en ‘rommel’. Rommel verwijst alleen naar niet-bewegende oppervlakken zoals gebouwen, bomen of andere objecten. Zodra dit is gebeurd, wordt de datastroom draadloos naar een laptop gestuurd en als visueel beeld weergegeven. In het lab hebben Cao en zijn studenten het apparaat gekalibreerd zodat de output overeenkomt met wat een camera ziet.

Het prototype dat door het onderzoeksteam van de UA is gebouwd, is goedkoop, heeft een laag gewicht en heeft een compact formaat dat eenvoudig te installeren is. De onderzoekers installeerden hun sensor op een kruispunt in Tucson en zetten een laptop op een nabijgelegen parkeerplaats om hem te testen. Met het door hen ontwikkelde GM-model leverde het veelbelovende resultaten op bij zowel het detecteren als het correct identificeren van objecten.

Gesignaleerde kruispunten zoals de testlocatie zijn kritieke plekken voor het verzamelen van dergelijke gegevens over gemengd verkeer, omdat bij de meeste conflicten en ongevallen meerdere vervoerswijzen betrokken zijn.

Technologie uitbreiden voor multimodaal verkeer

“We realiseren ons dat sensortechnologie een fase ingaat die veel nieuwe toepassingen zal hebben. Aan de ene kant dalen de kosten van sensoren en verbeteren hun prestaties aanzienlijk. Ondertussen is de omringende technologie, bijvoorbeeld batterijtechnologie, communicatie, en berekening mogelijk gemaakt door kunstmatige intelligentie – verbetert ook. Voor multimodale verkeersmonitoring kan een sensor informatie verzamelen die met chauffeurs kan worden gedeeld via een communicatienetwerk van de volgende generatie om de mobiliteit en veiligheid op kruispunten te verbeteren, “zei Cao.

In de toekomst hopen de onderzoekers het model verder te verfijnen om extra modi zoals motorfietsen, fietsen, vrachtwagens en bussen te kunnen identificeren. Eenmaal verfijnd, zou deze sensor een sleutelrol kunnen spelen bij het faciliteren van een betrouwbaar en nauwkeurig stadsbreed verkeersnetwerk. De GitHub-repository van het project biedt meer informatie, waaronder gegevens, video en afbeeldingen van de testimplementatie.

Bovendien bieden de resultaten van dit project (de GMM en het prototype) nuttige inzichten voor mensen die andere geavanceerde technologieën ontwikkelen om rechtvaardige, gezonde en duurzame slimme steden te creëren. Door toonaangevend te zijn in de ontwikkeling en toepassing van innovatieve praktijken en technologieën, kan dit onderzoek de veiligheid en prestaties van het transportsysteem van het land helpen verbeteren.