Dans un projet utilisant la vision par ordinateur, apprentissage automatique, et capteurs, Les scientifiques du Laboratoire national d'Oak Ridge travaillent avec la société privée GRIDSMART Technologies, Inc. pour démontrer comment les feux stop peuvent être programmés pour améliorer l'économie de carburant et réduire les émissions tout en facilitant la fluidité de la circulation.

Les caméras de circulation GRIDSMART sont déjà utilisées par des communautés du monde entier pour remplacer les capteurs routiers traditionnellement utilisés pour détecter les véhicules et informer la synchronisation des feux de circulation. Ces caméras intelligentes fournissent un temps réel, vue à vol d'oiseau des intersections, la collecte de données qui peuvent guider les stratégies de synchronisation et de flux de trafic.

Les objectifs du programme sont d'apprendre aux caméras GRIDSMART à estimer la consommation de carburant des véhicules aux intersections, puis à contrôler la synchronisation des feux de circulation afin d'économiser de l'énergie tout en optimisant le débit de la circulation, a expliqué le chef de projet Tom Karnowski de ORNL's Imaging, Signaux, et Groupe d'apprentissage automatique.

Le potentiel d'économie de carburant est considérable. Le département américain de l'Énergie estime que la marche au ralenti des véhicules lourds et légers gaspille environ 6 milliards de gallons de carburant par an. Lorsque les véhicules tournent au ralenti aux intersections et à d'autres endroits, le carburant est gaspillé.

Le projet ORNL/GRIDSMART a été l'un des premiers financements accordés dans le cadre du nouveau programme de calcul haute performance (HPC) pour la mobilité (HPC4Mobility) du DOE Vehicle Technologies Office. Dans le cadre de l'Initiative HPC pour l'innovation énergétique, le programme rassemble les ressources de calcul intensif et l'expertise scientifique des laboratoires nationaux du DOE en partenariat avec l'industrie pour trouver des solutions aux défis énergétiques des transports du monde réel.

La création d'un système de transport intelligent dans les zones urbaines à forte densité de trafic nécessite une observation au-delà des capacités humaines, et la quantité de données générées par les caméras GRIDSMART en fait un excellent choix pour le programme HPC4Energy, a noté Karnowski.

"GRIDSMART est ravi de travailler avec ORNL sur ce projet, " a déclaré Jeff Price, Directeur technique de GRIDSMART. « La mobilité urbaine multimodale pose des défis très complexes. L'utilisation des capacités ORNL en calcul haute performance et en apprentissage automatique sur les données uniques et la grande base d'installation de GRIDSMART fournira des informations fascinantes. »

La première phase pour les chercheurs de l'ORNL a consisté à prendre des images des caméras de circulation aériennes de GRIDSMART et à les comparer à des photos au niveau du sol pour créer une base de données. Les chercheurs souhaitent entraîner les caméras à estimer la consommation de carburant de divers véhicules présents aux intersections en catégorisant leur taille et leur catégorie de véhicule.

Les chercheurs de l'ORNL ont développé un système pour combiner les photos résultantes avec les données de consommation de carburant pour différentes classes de véhicules, qui a abouti à un riche ensemble de données d'images étiquetées.

"Tout projet d'apprentissage automatique ne sera aussi bon que les données que vous y mettez, " a déclaré Karnowski.

La deuxième phase du projet consiste à créer une application logicielle en utilisant l'apprentissage par renforcement sur les superordinateurs de l'ORNL. L'apprentissage par renforcement enseigne essentiellement à un ordinateur comment jouer à un jeu sans être explicitement programmé pour le faire. "Dans ce cas, le « jeu » économise du carburant sans sacrifier le débit, " a déclaré Karnowski.

Le projet s'appuie sur des systèmes informatiques de haute performance à Oak Ridge Leadership Computing Facility, une installation utilisateur du DOE Office of Science à l'ORNL, comme le supercalculateur Summit, l'ordinateur librement accessible le plus puissant au monde. Les systèmes seront utilisés pour effectuer des simulations d'intersections et proposer des stratégies mathématiques pour guider la synchronisation des feux de circulation.

"L'idée est d'apprendre aux caméras à estimer la consommation de carburant, puis d'apprendre à toute une grille de ces caméras à gérer les feux de circulation pour rendre le système plus économe en carburant, " a déclaré Karnowski.

Les collaborateurs de l'ORNL sur le projet incluent Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, et Husain Aziz.

"Ce projet est un exemple de la façon dont les ressources informatiques de haute performance des laboratoires nationaux mises à disposition via HPC4Mobility peuvent permettre à l'industrie américaine d'optimiser l'efficacité énergétique et de réduire les émissions, " dit Claus Daniel, Directeur du programme de transport durable et responsable du programme HPC4Mobility à l'ORNL. « Nous travaillons main dans la main avec un partenaire privé pour tirer parti des ressources informatiques et de l'expertise en apprentissage approfondi du DOE afin de résoudre un défi de mobilité réel, qui permettra d'économiser de l'énergie et d'améliorer la circulation. »