Construímos a maior rede de sensores de estacionamento do país para enviar sensores de estacionamento para o inferno

Em setembro passado, instalamos sensores ópticos de estacionamento para medir a ocupação de mais de 500 vagas de estacionamento na cidade do distrito universitário de Braunschweigs. Essa é a maior instalação de sensores de estacionamento já lançada em espaço público na Alemanha e uma coisa é certa: faremos dela a última. Esta é a história dos grandes esforços, uma empresa de IA em busca da verdade dados para alimentar seus algoritmos.

Esta é também a história por trás de uma bela peça de engenharia, que passou a ser o subproduto de uma missão maior e, eventualmente, nunca mais será colocada em produção. Tudo isso em favor de uma tecnologia mais disruptiva e orientada por dados. Como, na Bliq, trabalhamos em algoritmos preditivos para modelar a disponibilidade de estacionamento com base em dados de tráfego, temos a necessidade natural de dados de verdade sobre a ocupação de estacionamento na vida real em uma área de referência.

Para obter esse tipo de dados, decidimos construir nossa própria configuração experimental do mundo real de sensores de estacionamento que medem a ocupação de mais de 500 vagas de estacionamento, em tempo real, 24 horas por dia. gostaria de compartilhar alguns insights sobre os esforços de engenharia que entraram neste projeto. Mais especificamente, vamos falar sobre o local de teste que escolhemos, a arquitetura do sistema e o sensor real que projetamos e construímos para coletar dados.

O site de teste Às vezes, as empresas de IA precisam se tornar criativas quando se trata de coletar informações básicas para seus modelos. No nosso caso, modelar a disponibilidade de estacionamento, isso significava encontrar um bairro que atendesse a certos critérios em termos de fluxo de tráfego, uso e demografia. temos o campus principal da universidade atraindo milhares de estudantes e centenas de funcionários todos os dias.

Ainda mais ao sul, o centro da cidade com suas lojas e atrações fica a apenas alguns minutos a pé (não mostrado no mapa acima). A parte norte do distrito forma uma área residencial com estacionamento público e não restrito na rua. A maioria das pessoas que vivem nesta área são estudantes ou empregados da indústria automotiva local.

A grande maioria dos moradores se desloca para o trabalho usando carros particulares. O distrito é separado por uma estrada circular arterial, que abraça o distrito central da cidade. Como o sistema funciona no mundo real e transmite dados para um back-end de nuvem.

O back-end armazena os dados e os torna acessíveis para processamento adicional, para servir como base para esforços de aprendizado de máquina ou apenas para visualização simples em um aplicativo ou aplicativo da web. poder que implantamos na borda: devido aos requisitos regulatórios no espaço público alemão, que também são acionados por discussões recentes e em andamento sobre GDPR, não conseguimos processar imagens em uma nuvem remota com muitos recursos computacionais. É por isso que precisávamos fazer tudo o trabalho pesado para determinar pontos abertos diretamente no dispositivo sensor, em vez de em outro lugar.

A vantagem disso é que essa abordagem não consome grandes volumes de dados para enviar e receber imagens. Em vez disso, podemos manter os custos de operação dos sensores para conectividade também dentro de um intervalo relativamente baixo. No lado negativo, equipar o dispositivo com poder computacional suficiente para realizar a análise de imagem requer muitos esforços extras no desenvolvimento de hardware.

Por que não usar outro sensor de estacionamento? Por que decidimos passar pela dor de projetar e construir nosso próprio sensor de estacionamento em vez de apenas comprar um dos muitos modelos de sensores acabados que já estão disponíveis por aí? Existem três respostas para isso: Nós não sabia o quão complexo construir um novo dispositivo se tornaria ;) Todos os sensores de estacionamento existentes tinham algumas falhas: A situação regulatória nos proibia de usar qualquer tipo de solução óptica disponível, já que esse tipo de sistema violaria a privacidade.

Os sensores montados na superfície não resistiriam à remoção de neve durante o inverno. E, por último, os sensores no solo eram bastante caros e ainda mais caros de instalar. Estávamos com um orçamento bastante apertado quando começamos este projeto.

Nós iniciamos totalmente a empresa neste momento: nossos fundos consistiam em algum financiamento do governo, primeiras receitas e alguns preços que ganhamos aqui e ali. Os outros modelos de sensores com um preço entre 75 e 250 euros por ponto eram simplesmente muito caros para nós neste momento. O novo sensor óptico de estacionamentoA ideia para o princípio de funcionamento do nosso sensor era simples: implantar o mesmo algoritmo que já havíamos desenvolvido em nosso projeto de pesquisa anterior em hardware de tamanho reduzido, conectá-lo à internet, colocar tudo em uma caixa à prova d'água e montá-lo a um poste de luz.

O algoritmo em si é basicamente um classificador de imagens, que requer regiões de interesse pré-definidas para serem observadas. O objetivo original do modelo era automatizar a análise da ocupação do estacionamento em algumas grandes séries de imagens coletadas em um projeto anterior com câmeras offline. O desafio agora era apenas projetar um equipamento de hardware adequado com poder computacional suficiente, reduzir o modelo para que ele fosse executado nesta configuração e garantir o fornecimento de energia contínuo.

Esta era a nossa lista de desejos de especificações:Baixo custo por ponto: Componentes padrãoFrequência de medição de até 3 min até 30 seg.Detecção robusta contra intempéries, mudanças na iluminação e estacionamento impreciso de carros (p. G.

um carro ocupando duas vagas)Monitoramento do estado de saúde do dispositivoOpção para atualizações remotas de softwareBaixo consumo de energia25 anos de vida útilSoftwareO software do sensor consiste em três camadas: O sistema operacional, que foi um desenvolvimento personalizado para este projeto, a rotina central que controla todas as funções dos sensores e o modelo real de aprendizado de máquina para detecção de pontos abertos.Sistema operacionalPara executar um modelo de visão completo na borda, percebemos rapidamente que precisaríamos de uma configuração de software muito maior do que em outros projetos de hardware de IoT. A decisão foi tomada para construir uma distribuição personalizada de Linux usando Yocto.

Dessa forma, poderíamos ter controle total sobre tudo o que o sistema operacional está fazendo. Os recursos principais eram duas partições separadas, para poder fazer atualizações do sistema de arquivos e partições de troca, várias bibliotecas, exigidas pela rotina principal e uma redefinição do watchdog. O watchdog de hardware do nosso SBC reinicializa o dispositivo caso algo não funcione conforme o esperado.

Ter tijolos inteligentes metros acima do solo em postes de luz por causa de um bug no software seria literalmente o pior caso. backend (recuperando dados de configuração e enviando atualizações). A rotina principal é implementada em Python.

Isso nos deu grande flexibilidade e simplificou muito o processamento de imagens, pois pudemos fazer uso da grande base de código Python existente que já tínhamos na empresa. Desde o modelo de detecção sobre o código-fonte para a rotina principal até o kernel ou até mesmo todo o sistema de arquivos, cada parte pode ser substituída remotamente. Enfrentando evoluções rápidas no campo de CV e aprendizado de máquina em geral, queríamos ter certeza de que o código que está executando os sensores será de última geração durante toda a vida útil.

Aprendizado de máquina Para realizar a tarefa de detecção, pegamos uma versão do tensorflow e depois de alguns ajustes conseguimos que ele funcionasse em nossa configuração. Feito isso, poderíamos implantar praticamente qualquer tensorflow pré-treinado que coubesse na memória da GPU. Decidimos usar o MobileNet, pois mostrou a melhor relação entre precisão e desempenho em nossa configuração.

Também analisamos várias outras abordagens baseadas em recursos tradicionais de visão computacional, como recursos HOG, histogramas etc. em combinação com classificadores convencionais de aprendizado de máquina, como SVMs. Embora esses testes tenham resultado em um desempenho computacional bastante alto devido ao design de modelo muito mais simples em comparação com o MobileNet, a precisão do modelo foi menor, o que pode ser explicado pelas desvantagens usuais das descrições de recursos de CV padrão (invariância de luz, invariância de escala).

Hardware Trabalhar com hardware foi uma experiência bastante nova para nós, sendo até então uma empresa de software puro. Embora Mathias, nosso CTO, tenha trabalhado no design de eletrônicos em seu trabalho anterior na Volkswagen R &D, nossa empresa não estava totalmente pronta para uma tarefa de desenvolvimento de hardware e, honestamente, olhando para trás, ainda não está hoje. No entanto, precisávamos de um design funcional que fosse fácil de fabricar e iterar com os recursos que tínhamos como uma empresa bootstrap neste momento.

Então, nossa lista de requisitos rapidamente ficou assim: O estojo precisa ser à prova d'água e imprimível em 3D O sensor deve ser capaz de funcionar pelo menos 12 horas com bateriaA câmera deve ser protegida da chuva e da água pulverizada e funcionar no escuro também precisa conter a câmera, um sensor de temperatura/umidade, o módulo LTE, o computador de placa única e alguns eletrônicos de potência para converter a tensão para o nível apropriado. o dia) Toda a configuração precisa ser modular para facilitar a instalação e poder trocar componentes individuais em caso de falha. Ele também precisa ser pequeno e pintado de cinza para parecer discreto em seu ambiente operacional Condições de operação de -20 C a 70 C (já que a configuração pode ficar bastante quente no verão quando está totalmente exposta ao sol) Começamos com um design que inclui infravermelho LEDs (como muitas câmeras externas têm) para poder operar em condições noturnas.

No entanto, essa escolha de design acabou apresentando algumas falhas: Esses LEDs consumiam bastante energia (em comparação com o restante dos componentes eletrônicos), tornando necessária uma fonte de alimentação fora do padrão e, portanto, necessária. Apesar do grande consumo de energia, eles não eram realmente capazes de iluminar todo o campo de visão. Provavelmente precisaríamos de um holofote IR externo, o que, novamente, não era uma alternativa séria.

E, por último, o design com tempero de LED também não era muito bonito. podemos aumentar a exposição e a sensibilidade à luz dos sensores para trabalhar apenas com luz residual. Por isso, substituímos a exposição interna da câmera e o controle ISO e criamos um loop de feedback simples que ajusta as configurações de iluminação com base na luminância do último quadro capturado.

Essa abordagem funcionou muito bem, já que na maioria das ruas há luz residual suficiente dos postes de luz. Depois de várias iterações, finalmente chegamos ao design mostrado acima: A câmera fica dentro de um cone para ser protegida da água pulverizada e reflexos solares, tanto quanto possível. Os componentes eletrônicos são montados em um soquete interno e um cabo de fita conecta a câmera à placa principal.

A parte inferior é removível e montada no gabinete com quatro parafusos padrão. Como a caixa é impressa em ABS, as porcas quadráticas ficam em recortes para garantir que os parafusos possam ser apertados corretamente. Uma junta semelhante à GoPro conecta o gabinete ao suporte, que é preso ao poste de luz usando fita de aço padrão.

Todas as peças são otimizadas para impressão 3D, o que significa que não há saliências pesadas, importe superfícies paralelas para alta qualidade de superfície. Por último, a caixa da bateria é separada do sensor para melhor facilidade de manutenção. É uma caixa ABS moldada por injeção padrão e contém um 4.

Bateria de chumbo de 5 Ah 12V e uma unidade de carregamento, que recebe entrada de 230V (que é a voltagem da maioria das luzes de rua na Alemanha).O que vem a seguirOs dados que estamos coletando ao longo deste projeto estão nos ajudando muito a melhorar nossa compreensão (e também nossa algoritmos) de como o estacionamento funciona em diferentes situações de tráfego e vários contextos de fatores que influenciam a disponibilidade de estacionamento. Vamos postar mais sobre os resultados reais de uma perspectiva de ciência de dados muito em breve.

Também gastaremos algum tempo e entraremos mais nos detalhes da parte do software e, eventualmente, vamos até mesmo abrir o software de código aberto, bem como os projetos de hardware.AgradecimentosNeste ponto, gostaríamos de expressar nossa gratidão à cidade de Braunschweig por nos dar acesso à infraestrutura de tráfego para apoiar este projeto. Eles não apenas forneceram todas as permissões necessárias, mas também cobriram parte dos custos.

Também gostaríamos de agradecer ao operador de tráfego local Bellis e ao fornecedor de energia BS Energy pelo apoio na instalação e fornecimento de energia dos sensores. Sobre o autorJulian é o CEO e cofundador da Bliq, uma empresa de Berlim empresa de tecnologia baseada. Bliq fornece mapas de estacionamento ao vivo para desenvolvedores em mobilidade.

PERGUNTA RELACIONADA Não recebi o Google Glass Explorer Edition. Tentar aprender Glass dev sem o hardware é um esforço inútil? Não, você ainda pode aprender os fundamentos do desenvolvimento do Glass sem o hardware.

Existem três abordagens principais para realizar isso: 1) Visite a documentação da API Mirror, entre no playground e comece a hash algum código. Faça o download da biblioteca PHP, Java e Python, com a qual você se sentir mais confortável. Familiarize-se com o jargão e as convernções (linha do tempo, pacotes, menus, etc).

Leia a documentação de suporte (segundo link abaixo) para ver como o hardware do Glass realmente funciona. Construa alguns aplicativos para esta especificação. Em breve, você encontrará um amigo com hardware para t