Мы построили самую большую в стране сеть датчиков парковки, чтобы отправить датчики парковки в ад

В сентябре прошлого года мы установили оптические парковочные датчики для измерения занятости более 500 уличных парковочных мест в университетском районе города Брауншвейгс. Это крупнейшая установка датчиков парковки, когда-либо развернутая в общественных местах в Германии, и одно можно сказать наверняка: мы сделаем ее последней. данных для подпитки своих алгоритмов.

Это также история прекрасной инженерной мысли, которая оказалась побочным продуктом великой миссии и в конечном итоге больше никогда не будет запущена в производство. Все это в пользу более революционной технологии, основанной на данных. Поскольку в Bliq мы работаем над алгоритмами прогнозирования для моделирования доступности парковки на основе данных о трафике, у нас есть естественная потребность в достоверных данных о реальной занятости парковки. в справочной области.

Чтобы получить такие данные, мы решили построить нашу собственную, реальную экспериментальную установку датчиков парковки, которые измеряют занятость более 500 уличных парковочных мест в режиме реального времени, 24 часа в сутки. В этой статье мы хотел бы поделиться некоторыми мыслями о инженерных усилиях, которые были вложены в этот проект. В частности, поговорим о выбранной нами тестовой площадке, архитектуре системы и самом датчике, который мы разработали и построили для сбора данных.

Тестовая площадкаИногда компаниям, занимающимся искусственным интеллектом, нужно проявить творческий подход, когда дело доходит до сбора достоверной информации для своих моделей. В нашем случае при моделировании наличия автомобильных парковок это означало поиск района, отвечающего определенным критериям с точки зрения транспортного потока, использования и демографических данных. Мы выбрали университетский район в Брауншвейге из-за его большого разнообразия влияний на сравнительно небольшое пространство: на юге, у нас есть главный кампус университета, который ежедневно привлекает тысячи студентов и сотни сотрудников.

Еще южнее центр города с его магазинами и достопримечательностями находится всего в нескольких минутах ходьбы (не показан на карте выше). Северная часть района образует жилую зону с общественными уличными парковками без ограничений. Большинство людей, живущих в этом районе, либо студенты, либо работают в местной автомобильной промышленности.

Подавляющее большинство жителей добирается до работы на личных автомобилях. Район разделен кольцевой магистралью, которая охватывает центральный район города. Как работает система. Базовая системная архитектура установки датчика довольно проста и в основном соответствует тому, что можно ожидать от большинства приложений IoT: где-то развертывается небольшая часть оборудования. в реальном мире и передает данные в облачный сервер.

Серверная часть хранит данные и делает их доступными для дальнейшей обработки, чтобы служить исходной истиной для машинного обучения или просто для простой визуализации в приложении или веб-приложении. Жесткое требование: конфиденциальность по дизайну. мощность, которую мы развернули на границе: из-за нормативных требований к немецкому общественному пространству, которые также были вызваны недавними и текущими обсуждениями GDPR, мы не могли обрабатывать изображения в удаленном облаке с большим количеством вычислительных ресурсов. Вот почему нам нужно было сделать все тяжелая работа по определению открытых мест непосредственно на сенсорном устройстве, а не где-то еще.

Преимущество этого заключается в том, что этот подход не потребляет больших объемов данных для отправки изображений туда и обратно. Вместо этого мы можем удерживать эксплуатационные расходы на датчики для подключения также в относительно низком диапазоне. С другой стороны, оснащение устройства достаточной вычислительной мощностью для выполнения анализа изображений требует больших дополнительных усилий при разработке аппаратного обеспечения.

Почему бы не использовать еще один датчик парковки? Почему мы решили пройти через мучительную разработку и создание собственного датчика парковки вместо того, чтобы просто купить одну из множества готовых моделей датчиков, которые уже доступны? На этот вопрос есть три ответа: Мы не знал, насколько сложным станет создание нового устройства ;) Все существующие датчики парковки имели некоторые недостатки: нормативная ситуация запрещала нам использовать любые доступные оптические решения, поскольку такие системы нарушали бы конфиденциальность.

Накладные датчики не выдержат уборку снега зимой. И, наконец, подземные датчики были довольно дорогими сами по себе и еще дороже в установке. Когда мы начинали этот проект, у нас был довольно ограниченный бюджет.

На этом этапе мы полностью загрузили компанию: наши средства состояли из некоторого государственного финансирования, первых доходов и некоторых цен, которые мы выигрывали то тут, то там. Другие модели датчиков с ценой от 75 до 250 евро за место были просто слишком дорогими для нас в то время. Новый оптический датчик парковки Идея принципа работы нашего датчика была проста: разверните тот же алгоритм, который мы уже разработали в нашем предыдущем исследовательском проекте, на меньшем оборудовании, подключите его к Интернету, поместите все в водонепроницаемую коробку и смонтируйте. к фонарному столбу.

Сам алгоритм в основном представляет собой классификатор изображений, который требует просмотра предварительно определенных областей интереса. Первоначальная цель модели состояла в том, чтобы автоматизировать анализ занятости парковки в некоторых огромных сериях изображений, которые мы собрали в предыдущем проекте с автономными камерами. Теперь задача состояла только в том, чтобы спроектировать подходящую аппаратную установку с достаточной вычислительной мощностью, уменьшить модель, чтобы она работала на этой установке, и обеспечить непрерывное питание.

Это был наш список пожеланий по спецификациям: Низкая стоимость за точку: Стандартные компоненты Частота измерения от 3 минут до 30 секунд Обнаружение, устойчивое к погодным условиям, изменениям освещения и неточной парковке автомобилей (например. G.

один автомобиль занимает два места) Мониторинг состояния устройства Возможность удаленного обновления программного обеспечения Низкое энергопотребление Срок службы 25 лет Программное обеспечение Программное обеспечение датчика состоит из трех уровней: операционная система, которая была специально разработана для этого проекта, основная процедура, управляющая всеми функциями датчиков, и реальная модель машинного обучения для обнаружения открытых пятен. Операционная система Для запуска полноценной модели машинного зрения на периферии мы быстро поняли, что нам потребуется гораздо более масштабная настройка программного обеспечения, чем в других проектах оборудования IoT. Было принято решение собрать собственный дистрибутив Linux с использованием Yocto.

Таким образом, мы могли бы иметь полный контроль над всем, что делает ОС. Основными функциями были два отдельных раздела, чтобы иметь возможность выполнять обновления файловой системы и разделы подкачки, ряд библиотек, необходимых для основной процедуры, и сброс сторожевого таймера. Аппаратный сторожевой таймер нашего SBC перезагружает устройство, если что-то не работает должным образом.

Наличие умных кирпичей в метрах над землей на фонарных столбах из-за ошибки в программном обеспечении было бы в буквальном смысле худшим случаем. бэкэнд (извлечение данных конфигурации и отправка обновлений). Основная процедура реализована на Python.

Это дало нам большую гибкость и значительно упростило обработку изображений, поскольку мы могли использовать большую существующую кодовую базу Python, которая уже была у нас в компании. Одной из замечательных особенностей дизайна программного обеспечения является его способность к независимым удаленным обновлениям каждого отдельного компонента: От модели обнаружения по исходному коду основной процедуры до ядра или даже всей файловой системы, каждая часть может быть заменена удаленно. Столкнувшись с быстрым развитием CV и машинного обучения в целом, мы хотели убедиться, что код, который запускает датчики, будет соответствовать последнему слову техники на протяжении всего срока службы.

Машинное обучение. Чтобы выполнить задачу обнаружения, мы взяли версию tensorflow и после некоторой настройки заставили ее работать на нашей установке. Как только это будет сделано, мы сможем развернуть практически любой предварительно обученный тензорный поток, который поместится в память графического процессора. Мы решили использовать MobileNet, так как он показал наилучшее соотношение между точностью и производительностью в нашей установке.

Мы также рассмотрели несколько других подходов, основанных на традиционных функциях компьютерного зрения, таких как функции HOG, гистограммы и т. д. в сочетании с обычными классификаторами машинного обучения, такими как SVM. Хотя эти тесты привели к довольно высокой вычислительной производительности из-за гораздо более простой конструкции модели по сравнению с MobileNet, точность модели была ниже, что можно объяснить обычными недостатками стандартных описаний характеристик CV (легкая инвариантность, масштабная инвариантность).

Аппаратное обеспечение Работа с аппаратным обеспечением была для нас совершенно новым опытом, поскольку до этого момента мы занимались исключительно программным обеспечением. Хотя Матиас, наш технический директор, занимался разработкой электроники на своей предыдущей работе в Volkswagen R. &D, наша компания не была полностью готова к задаче разработки аппаратного обеспечения и, честно говоря, оглядываясь назад, она все еще не готова сегодня. Тем не менее, нам нужен был функциональный дизайн, который было бы легко изготовить и повторить с помощью ресурсов, которые у нас были в то время как у начинающей компании.

Таким образом, наш список требований быстро стал выглядеть следующим образом: Корпус должен быть водонепроницаемым и пригодным для 3D-печати. ​​Датчик должен работать не менее 12 часов от батареи. Камера должна быть защищена от дождя и брызг воды, а также работать в темноте. Дизайн. должен содержать камеру, датчик температуры / влажности, модуль LTE, одноплатный компьютер и некоторую силовую электронику для преобразования напряжения в соответствующий уровень. Батарея необходима для продолжения работы, когда фонарный столб отключен (во время день) Вся установка должна быть модульной, чтобы упростить установку и иметь возможность замены отдельных компонентов в случае отказа. Он также должен быть небольшим и окрашенным в серый цвет, чтобы выглядеть ненавязчивым в рабочей среде. Условия эксплуатации от -20 C до 70 C (поскольку установка может сильно нагреваться летом, когда она полностью подвергается воздействию солнца). Мы начали с конструкции, включающей инфракрасный порт. Светодиоды (как и у многих уличных камер) для возможности работы в ночных условиях.

Однако этот выбор конструкции имел некоторые недостатки: эти светодиоды были довольно энергоемкими (по сравнению с остальной электроникой), что делало необходимым нестандартный и, следовательно, источник питания. Несмотря на большое энергопотребление, они не могли реально осветить все поле зрения. Нам, вероятно, понадобился бы внешний ИК-прожектор, который, опять же, не был серьезной альтернативой.

И, наконец, дизайн со светодиодами тоже был не очень красивым. Чтобы решить проблему ночных операций, мы решили использовать статическую настройку камеры: поскольку положение камер статично, а объекты, которые мы пытаемся обнаружить, обычно также неподвижны, мы можем увеличить экспозицию и светочувствительность датчиков, чтобы работать только с остаточным светом. Поэтому мы переписали внутреннюю экспозицию камеры и управление ISO и написали простой цикл обратной связи, который регулирует настройки освещения на основе яркости последнего захваченного кадра.

Этот подход оказался достаточно эффективным, так как на большинстве улиц достаточно остаточного света от уличных фонарей. После еще нескольких итераций мы, наконец, пришли к конструкции, показанной выше: камера находится внутри конуса для защиты от брызг воды. и солнечные рефлексы в максимально возможной степени. Электроника устанавливается на гнездо внутри, а ленточный кабель соединяет камеру с основной платой.

Нижняя часть съемная и крепится к корпусу четырьмя стандартными винтами. Поскольку корпус напечатан из АБС-пластика, квадратные гайки находятся в прорезях, чтобы винты можно было правильно затянуть. Соединение, подобное GoPro, соединяет корпус с креплением, которое крепится к фонарному столбу с помощью стандартной стальной ленты.

Все детали оптимизированы для трехмерной графики, что означает отсутствие тяжелых выступов, импорт параллельных поверхностей для высокого качества поверхности. Наконец, батарейный отсек отделен от датчика для удобства обслуживания. Это стандартная коробка из литого под давлением АБС-пластика, содержащая 4.

5 Ач 12 В свинцовая батарея и зарядное устройство, которое потребляет 230 В (это напряжение большинства уличных фонарей в Германии). Что дальше Данные, которые мы собираем в ходе этого проекта, очень помогают нам улучшить наше понимание (а также наши алгоритмы) того, как парковка работает в различных дорожных ситуациях и различных контекстах факторов, влияющих на доступность парковки. Мы собираемся опубликовать больше о фактических результатах с точки зрения науки о данных очень скоро.

Мы также потратим некоторое время и углубимся в детали программного обеспечения и, в конечном итоге, даже собираемся открыть исходный код программного обеспечения, а также конструкции оборудования. Благодарности. На этом этапе мы хотели бы выразить нашу благодарность городу Braunschweig за предоставление нам доступа к дорожной инфраструктуре для поддержки этого проекта. Они не только предоставили все необходимые разрешения, но и покрыли часть расходов.

Мы также хотели бы выразить большую благодарность местному транспортному оператору Bellis и поставщику энергии BS Energy за поддержку в установке и электроснабжении датчиков. Об автореДжулиан является генеральным директором и соучредителем Bliq, берлинского технологическая компания. Bliq предоставляет живые карты парковок для мобильных разработчиков.

СВЯЗАННЫЙ ВОПРОС Я не получил Google Glass Explorer Edition. Неужели попытка выучить Glass dev без оборудования-бесполезная попытка? Нет, вы все еще можете изучить основы разработки стекла без оборудования.

Для этого есть три основных подхода: 1) Посетите документацию Mirror API, зайдите на игровую площадку и начните хешировать код. Загрузите библиотеку PHP, Java и Python, в зависимости от того, что вам наиболее удобно. Ознакомьтесь с жаргоном и преобразованием (временная шкала, пачки, меню и т. Д.).

Прочтите документацию поддержки (вторая ссылка ниже), чтобы увидеть, как на самом деле функционирует оборудование Glass. Постройте некоторые приложения к этой спецификации. Достаточно скоро, вы найдете друга с оборудованием, чтобы t