کنترل سرعت جاده با میکروفون‌های پیشرفته

به قلم: حسن نامور (مدرس دانشگاه) 

نمانامه: تحقیق در کنترل سرعت جاده با جدیدترین روش در لهستان Department of Multimedia Systems, Faculty of Electronics, Telecommunication and Informatics, Gdańsk University of Technology, 80-233 Gdańsk, Poland از یک روشی برای شناسایی و شمارش وسایل نقلیه جاده ای با استفاده سنسور صوتی که در جاده قرار داده شده است ارائه شده است. سنسور شدت صدا را در دو جهت موازی و عمود بر جاده اندازه گیری می کند. تجزیه و تحلیل شدت صدا تشخیص رویداد صوتی را انجام می دهد. یک موقعیت نرمال شده از منبع صدا ردیابی می شود و برای تعیین اینکه آیا رویداد شناسایی شده مربوط به یک وسیله نقلیه در حال حرکت است و برای تعیین جهت حرکت استفاده می شود. الگوریتم بر روی یک ضبط مداوم ۲۴ ساعته که در شرایط دنیای واقعی انجام شده است آزمایش شد. نتایج کلی عبارت بودند از: فراخوان ۰٫۹۵، دقت ۰٫۹۵، F-score 0.95. در تجزیه و تحلیل اسلات های یک ساعته، بدترین نتایج به دست آمده در ترافیک متراکم عبارتند از: یادآوری ۰٫۹، دقت ۰٫۹۳، امتیاز F 0.91. روش پیشنهادی برای کاربرد در شبکه ای از حسگرهای نظارت بر ترافیک، مانند سیستم شهر هوشمند در نظر گرفته شده است. از مزایای آن می توان به استفاده از سنسور کوچک، کم هزینه و غیرفعال، پیچیدگی الگوریتم کم و دقت تشخیص رضایت بخش اشاره کرد.

۱٫ معرفی

نظارت بر ترافیک یک عنصر مهم از سیستم های مدرن شهر هوشمند است. یک شبکه توزیع شده از حسگرهای راه دور داده هایی را در مورد شدت ترافیک در منطقه مشاهده شده فراهم می کند. انتخاب نوع سنسور مورد استفاده برای نظارت بر ترافیک باید دقت تشخیص وسیله نقلیه را با هزینه سنسورها و مصرف انرژی متعادل کند. سنسورها همچنین نباید با محیط تداخل داشته باشند و باید در برابر تداخل خارجی مقاوم باشند.
چندین نوع حسگر وجود دارد که ممکن است برای یک سیستم نظارت بر ترافیک شهر هوشمند در نظر گرفته شود ، اما برخی از مسائل در اجرای عملی آنها وجود دارد. حلقه های القایی متعلق به دقیق ترین سنسورهای تشخیص خودرو هستند، اما باید در سطح جاده نصب شوند، که همیشه راه حل مناسبی نیست. لوله های پنوماتیک فقط برای اندازه گیری های موقت استفاده می شوند. آنها را نمی توان به طور دائم نصب کرد زیرا مانع از ترافیک می شود. گروه دیگری از راه حل های ممکن شامل سنسورهایی است که در کنار جاده یا بالای جاده قرار گرفته اند. سنسورهای رادار پرکاربردترین وسایل متعلق به این گروه هستند .آنها سطح رضایت بخشی از دقت تشخیص را ارائه می دهند، اما مستعد تداخل الکترومغناطیسی هستند (به عنوان مثال، از خطوط برق یا ایستگاه های پایه سلولی)، و امواج الکترومغناطیسی را منتشر می کنند که ممکن است با تجهیزات دیگر تداخل داشته باشد و سطح آلودگی الکترومغناطیسی را در محیط افزایش دهد. . اگر باید تعداد زیادی سنسور در منطقه نصب شود، ممکن است مسئله مهمی باشد. حسگرهای لیدار جایگزینی مدرن برای سنسورهای رادار هستند. آنها در تشخیص وسیله نقلیه کارآمد هستند، اما مستعد شرایط نوری هستند و از رادارها گران تر هستند. دقت سنسورهای رادار و لیدار در یک ترافیک بسیار متراکم کاهش می‌یابد. در چنین سناریوهایی، روش های تشخیص وسیله نقلیه بر اساس تجزیه و تحلیل ویدئویی ممکن است مورد استفاده قرار گیرد. تصاویر دوربین‌های ویدئویی با استفاده از الگوریتم‌های یادگیری عمیق که وسایل نقلیه فردی را در تصویر شناسایی می‌کنند، تجزیه و تحلیل می‌شوند و این رویکرد در ترافیک متراکم موثر است، اما تجزیه و تحلیل نیاز به محاسبات گسترده و تجهیزات گران قیمت دارد.
روش پیشنهادی برای کاربرد در شبکه ای از ایستگاه های نظارت بر ترافیک، که بخشی از یک سیستم شهر هوشمند یا یک سیستم حمل و نقل هوشمند است، در نظر گرفته شده است. اندازه گیری مداوم شدت ترافیک و تغییرات آن در مکان های متعدد در منطقه مشاهده شده امکان مدیریت کارآمد یک شبکه ترافیک را فراهم می کند. این اطلاعات به روز در مورد شدت ترافیک و مسیرهای بهینه را در اختیار رانندگان قرار می دهد. آشکارساز همچنین ممکن است برای ارائه داده های ورودی به الگوریتم تخمین سرعت متوسط ارائه شده در انتشار قبلی ما استفاده شود. همچنین می توان از آشکارساز برای کنترل عناصر یک سیستم شهر هوشمند استفاده کرد، به عنوان مثال، برای تنظیم شدت روشنایی خیابان ها با توجه به شدت ترافیک. برای ساخت شبکه بزرگی از حسگرها که به طور مداوم ترافیک را در زمان واقعی نظارت می کنند، روش تشخیص باید از سنسورهای کم هزینه و اندازه کوچک استفاده کند که ترجیحاً هیچ سیگنالی را به محیط منتشر نکنند و روش های تجزیه و تحلیل سیگنال باید بتوانند به صورت واقعی کار کنند. -زمان روی سخت افزار کم رده روش پیشنهادی، همراه با یک سنسور شدت صدا، این الزامات را برآورده می کند.
خودکار

۲٫۱٫ محاسبه شدت صدا و پیش پردازش

روش پیشنهادی فرض می‌کند که شدت صدا با سنسوری که توسط جاده مشاهده‌شده قرار می‌گیرد اندازه‌گیری می‌شود، و سیستم مختصات طوری جهت‌گیری می‌کند که محور X موازی با جاده (به سمت راست) و محور Y عمود بر جاده باشد. ، به سمت جاده هدایت می شود

اگر جهت گیری محورهای سنسور متفاوت باشد، سیگنال های شدت باید با اعمال یک ماتریس چرخش تبدیل شوند. سنسور اندازه گیری شدت صدا را در امتداد محورهای X و Y ارائه می دهد که IX و IY نشان داده می شوند.
عملکرد روش پیشنهادی با استفاده از سیگنال های ثبت شده در شرایط دنیای واقعی مورد بررسی قرار گرفت. ما از مجموعه داده های ثبت شده برای اهداف آزمایش های شرح داده شده در انتشارات قبلی خود استفاده مجدد کرده ایم. راه اندازی تست، متشکل از یک سنسور شدت صدا و یک میکرو کامپیوتر، توسط یک جاده در یک منطقه حومه شهر نصب شد (مختصات جغرافیایی: ۵۴٫۳۴۴۵۵۵، ۱۸٫۴۴۳۸۱۱). بخشی از یک جاده مستقیم با محدودیت سرعت ۹۰ کیلومتر در ساعت، با یک خط در هر جهت، توسط سنسوری که در فاصله ۴ متری از لبه جاده، ۲٫۹ متر بالاتر از سطح زمین قرار گرفته بود، مشاهده شد که جهت آن مطابق شکل ۲ نشان داده شده است. سیگنال ها به طور مداوم به مدت ۲۴ ساعت (دوشنبه، ۱۴:۰۰ تا سه شنبه، ۱۴:۰۰، به وقت محلی) ضبط می شدند. دما در طول ثبت ۱۵ درجه سانتیگراد تا ۲۶ درجه سانتیگراد، فشار متوسط ۹۹۷ ساعت پاسکال، باد تا ۷ متر بر ثانیه از سمت غرب بوده و دوره‌هایی با بارش خفیف (حدود ۱۵ درصد کل زمان) وجود داشته است. ).
حسگرهای آکوستیک جریان اصلی راه حل های پیشرفته نظارت بر ترافیک نیستند، اما جایگزین جالبی برای اغلب موارد استفاده می شوند. چنین حسگرهایی هیچ سیگنالی منتشر نمی کنند، آنها بر تجزیه و تحلیل امواج صوتی منتشر شده توسط وسایل نقلیه جاده ای، عمدتا از لاستیک ها و موتور، تکیه دارند. چندین رویکرد برای تشخیص و شمارش وسیله نقلیه با حسگرهای صوتی ممکن است در ادبیات پیدا شود. بسیاری از این روش ها مبتنی بر تجزیه و تحلیل سیگنال های ضبط شده با دو میکروفون قرار گرفته در کنار جاده هستند. دافنر و همکاران از یک الگوریتم طیف توان متقابل استفاده کرد. لوپز-والکارس و همکاران از رویکرد حداکثر درست نمایی استفاده کرد. ایشیدا و همکاران از تاب خوردگی زمانی دینامیک و نقشه برداری صدا استفاده کردند. اوچینو و همکاران و ایشیدا و همکاران. تفاوت زمانی روش رسیدن را با سرکوب صدای باد ارزیابی کردند. کوبو و همکاران از روش دیگری مبتنی بر تبدیل موجک گسسته استفاده کرد. یک رویکرد جایگزین برای تشخیص خودرو، استفاده از مجموعه‌ای از حسگرهای صوتی است. نا و همکاران از آرایه ای از ۳۷ میکروفون برای تشخیص موقعیت خودرو در خطوط متعدد استفاده کرد. تویودا و همکاران روشی را بر اساس تشخیص پیک پوشش‌های توان در سیگنال‌های به‌دست‌آمده از یک آرایه میکروفون ad-hoc پیشنهاد کرد . مارمارولی و همکاران سری های زمانی همبستگی نظری و اندازه گیری شده را با استفاده از ضریب همبستگی دو بعدی Bravais-Pearson مقایسه کردند. روش‌های دیگر برای تشخیص وسایل نقلیه صوتی شامل روش‌های مبتنی بر یادگیری ماشین است، به عنوان مثال، توسط Gatto و همکاران. یا استفاده از آرایه های آنالوگ قابل برنامه ریزی میدانی (Bhattacharyya و همکاران). هم تنظیمات میکروفون دوگانه و هم آرایه های میکروفون اندازه بزرگی دارند که ممکن است در کاربردهای عملی مشکل ساز باشد.
تحقیق توصیف شده در این مقاله با هدف ارائه یک روش کارآمد تشخیص وسیله نقلیه مبتنی بر یک حسگر صوتی، که برای یک سیستم شهر هوشمند در مقیاس بزرگ مناسب است و مسائل مربوط به سنسورهای موجود را که قبلاً توضیح داده شد ندارد، ارائه می‌کند. تفاوت اصلی بین رویکرد پیشنهادی و روش‌های موجود در ادبیات این است که روش ما مبتنی بر تجزیه و تحلیل سیگنال‌های شدت صدا است که در یک فضای دو بعدی اندازه‌گیری می‌شوند، که امکان تعیین جهت صدای ورودی را فراهم می‌کند. با توجه به دانش ما، تجزیه و تحلیل شدت صدا برای نظارت بر ترافیک در هیچ اثری که قبلا منتشر شده بود استفاده نشده است. تحقیقات اولیه ما در این زمینه در انتشار قبلی توضیح داده شد که در آن یک آشکارساز خودروی ساده شده برای تخمین شدت ترافیک پیاده سازی کردیم. آن آشکارساز برای وسایل نقلیه ایزوله به خوبی کار می کرد، اما در ترافیک شدیدتر بسیار نادرست بود. در انتشار دیگری ، ما تخمین میانگین سرعت ترافیک را با تجزیه و تحلیل شدت صدا توصیف کردیم. با این حال، تشخیص وسیله نقلیه بخشی از آن الگوریتم نبود. در این مقاله، ما یک آشکارساز وسیله نقلیه بازسازی شده را پیشنهاد می کنیم که از اندازه گیری شدت صدا دو بعدی استفاده می کند. هدف این روش شناسایی وسایل نقلیه جاده ای (اعم از ایزوله و وسایل نقلیه در حال حرکت در یک ترتیب) و تعیین جهت حرکت آنها است. این آشکارساز همچنین می تواند داده های مورد نیاز الگوریتم تخمین سرعت متوسط را ارائه دهد.
ابتدا، الگوریتم را از سیگنال‌های شدت تا نتیجه تشخیص نهایی توصیف می‌کنیم. سپس، روش را با استفاده از ضبط‌های واقعی و داده‌های مرجع تأیید می‌کنیم. ما همچنین نمونه هایی از تشخیص وسیله نقلیه را در سناریوهای معمولی ارائه می کنیم. مقاله با بحث در مورد نتایج به دست آمده و نتیجه گیری به پایان می رسد.

۲٫ مواد و روشها

الگوریتم را می توان به صورت زیر خلاصه کرد:

ابتدا سیگنال‌های شدت صوت که در دو جهت متعامد اندازه‌گیری می‌شوند صاف می‌شوند و شدت کل محاسبه می‌شود. مرحله بعدی تشخیص رویداد صوتی است. شدت کل با تخمین نویز پس‌زمینه مقایسه می‌شود و اگر از آستانه تشخیص فراتر رفت، یک رویداد صوتی تشخیص داده می‌شود، در غیر این صورت، تخمین نویز پس‌زمینه به‌روزرسانی می‌شود. سپس هر رویداد شناسایی شده تجزیه و تحلیل می شود تا بررسی شود که آیا یک وسیله نقلیه در حال حرکت را نشان می دهد یا خیر و در صورت لزوم، رویداد را به خودروهای جداگانه تقسیم می کند. برای این کار، یک موقعیت منبع نرمال شده توسط فیلتر کالمن محاسبه و پردازش می شود که موقعیت و سرعت منبع را تخمین می زند. دامنه تغییرات موقعیت تخمین زده شده امکان تشخیص منابع صوتی متحرک را فراهم می کند و تخمین سرعت برای تعیین جهت حرکت استفاده می شود. جزئیات هر مرحله در زیر بخش های زیر ارائه شده است.

سنسور ۲۱ ۰۷۷۸۱ g001 550

 بلوک دیاگرام الگوریتم پیشنهادی.

۲٫۱٫ محاسبه شدت صدا و پیش پردازش
روش پیشنهادی فرض می‌کند که شدت صدا با سنسوری که توسط جاده مشاهده‌شده قرار می‌گیرد اندازه‌گیری می‌شود، و سیستم مختصات طوری جهت‌گیری می‌کند که محور X موازی با جاده (به سمت راست) و محور Y عمود بر جاده باشد. ، به سمت جاده هدایت می شود (شکل ۲). اگر جهت گیری محورهای سنسور متفاوت باشد، سیگنال های شدت باید با اعمال یک ماتریس چرخش تبدیل شوند. سنسور اندازه گیری شدت صدا را در امتداد محورهای X و Y ارائه می دهد که IX و IY نشان داده می شوند.
سنسور ۲۱ ۰۷۷۸۱ g002 550

جهت گیری سیستم مختصات نسبت به جاده. دایره موقعیت سنسور را نشان می دهد.

شدت صوت یک کمیت برداری است که جریان انرژی را در امواج صوتی توصیف می‌کند و به عنوان توانی که امواج صوتی در واحد سطح در جهتی عمود بر آن ناحیه حمل می‌کنند، تعریف می‌شود. روش پیشنهادی به روش خاصی برای اندازه گیری IX و IY متکی نیست. سیگنال ها را می توان با یک کاوشگر شدت صدا، مانند میکروفون اندازه گیری کرد که سیگنال های سرعت و فشار ذرات را ارائه می دهد. سرعت ذرات صوت را می توان با حسگرهای حرارتی نیز اندازه گیری کرد ،. آزمایش‌های ما از یک حسگر شدت صدای سفارشی ساخته شده از سنسورهای فشار (میکروفون) استفاده کرد که به صورت جفت در هر محور (در مجموع چهار میکروفون) فاصله دارند. شدت صوت آنی را می توان از معادله اویلر با استفاده از تقریب تفاضل محدود محاسبه کرد.

نتیجه گیری

ما الگوریتمی برای تشخیص و شمارش وسایل نقلیه جاده‌ای در سیگنال‌های به‌دست‌آمده از یک حسگر صوتی که در جاده قرار دارد، ارائه کردیم. جنبه جدید این الگوریتم این است که بر اساس شدت صدا اندازه گیری شده در دو جهت متعامد (موازی و عمود بر جاده) است. رویدادهای صوتی با تجزیه و تحلیل تغییرات شدت صدا شناسایی می شوند. از آنجایی که حسگر قادر است جهت صدای ورودی را تعیین کند، الگوریتم تغییرات موقعیت منبع صدای نرمال شده را ردیابی می کند، تعیین می کند که آیا رویداد صوتی ناشی از حرکت وسیله نقلیه در جاده مشاهده شده است یا خیر، و جهت حرکت را تشخیص می دهد.
در مقایسه با سایر روش‌های تشخیص وسیله نقلیه صوتی، الگوریتم ما از سیگنال‌هایی استفاده می‌کند که توسط یک حسگر کوچک متشکل از میکروفون‌هایی با فاصله نزدیک ثبت شده‌اند، در حالی که بیشتر روش‌های مرتبط از دو میکروفون که نسبتاً دور از یکدیگر قرار گرفته‌اند یا از مجموعه بزرگی از میکروفون‌ها استفاده می‌کنند. برخلاف سنسورهای تشخیص پیشرفته، روش پیشنهادی نیازی به نصب دائمی حسگر در سطح جاده (مانند یک حلقه القایی) یا سنسوری که امواج را به محیط منتشر می کند (مانند رادارها یا لیدارها) ندارد. الگوریتم پردازش از نظر محاسباتی کارآمد است، به ویژه در مقایسه با الگوریتم های پیچیده مبتنی بر یادگیری ماشین برای تجزیه و تحلیل داده های ویدیویی یا صوتی.
ما عملکرد الگوریتم را در آزمایشی که ۲۴ ساعت متوالی را پوشش می‌دهد، با ۵۹۰۵ وسیله نقلیه مشاهده شده ارزیابی کردیم. به این ترتیب، ما توانستیم الگوریتم را در شدت ترافیک متغیر تأیید کنیم. به طور کلی، ما به دقت، فراخوانی و امتیاز F نزدیک به ۰٫۹۵ رسیدیم، و در متراکم ترین ترافیک (۲۵۰-۴۵۰ وسیله نقلیه در ساعت)، هیچ یک از معیارها زیر ۰٫۹ نبود. بنابراین، با مقایسه با سایر روش‌های مبتنی بر آکوستیک و سایر حسگرهای پیشرفته که در جاده قرار گرفته‌اند، ممکن است نتیجه بگیریم که روش پیشنهادی سطح رضایت‌بخشی از دقت تشخیص را فراهم می‌کند.
آزمایش ارائه شده برای اعتبار سنجی الگوریتم و ایجاد یک خط پایه از عملکرد الگوریتم اجازه می دهد. یکی از مشکلاتی که می توان در تحقیقات آینده به آن پرداخت، کاهش خطاهای مربوط به تشخیص نادرست جهت حرکت است. مشکل انسداد را نمی توان با الگوریتم حل کرد و انتظار می رود با افزایش فرکانس انسداد، در صورت وجود چندین خط در یک جهت، عملکرد کاهش یابد. در این حالت باید از سنسورهای بالای سر استفاده کرد. تجزیه و تحلیل شدت صدا از یک سنسور نصب شده بر روی جاده ممکن است، اما این یک مشکل جداگانه است که خارج از محدوده این مقاله است. در آزمایش ارائه شده، الگوریتم را در شرایط خاص آزمایش کردیم. انتظار می رود که اگر شدت ترافیک بالای ۵۰۰ وسیله نقلیه در ساعت افزایش یابد، عملکرد الگوریتم کاهش می یابد، اما درجه این تخریب نیاز به ارزیابی در آزمایش های آینده دارد. شرایط آب و هوایی و سطح صدای محیطی نیز از عواملی هستند که در آینده باید آزمایش شوند. در این لحظه، بر اساس نتایج تجربی، ممکن است نتیجه بگیریم که الگوریتم پیشنهادی جایگزین جالبی برای روش‌های تشخیص و شمارش خودرو موجود است.