Une équipe de chercheurs de l'Université de Memphis a récemment développé un système de surveillance du trafic (TMS) peu coûteux et portable appelé DeepWiTraffic. Ce nouveau système, présenté dans un article pré-publié sur arXiv, combine les appareils Wi-Fi et l'apprentissage en profondeur.

Les TMS sont un élément clé des systèmes de transport intelligents (STI), qui visent à améliorer la sécurité et l'efficacité des transports. Les TMS collectent des données de trafic liées aux performances d'un système routier, des paramètres de mesure tels que le nombre de véhicules qui passent, ainsi que la densité des véhicules, la vitesse, et classe.

Aux Etats-Unis, le ministère des Transports (DOT) de chaque État est chargé de collecter des informations sur le trafic des véhicules circulant sur les autoroutes et les routes. Les TMS utilisés pour compter et classer automatiquement les véhicules peuvent être temporaires ou permanents.

"Un problème endémique pour de nombreux DOT d'État est le coût élevé du déploiement d'un nombre suffisant de TMS pour couvrir la gigantesque superficie des États-Unis, surtout compte tenu des énormes milles (119, 247) des routes rurales, " les chercheurs ont écrit dans leur article. " Selon le Georgia DOT, le coût minimum pour installer un TMS continu sur une route rurale à deux voies est d'environ 25 $, 000, et la classification des véhicules sur 365 jours sur une route rurale à deux voies est plus chère, coûte environ 35 $, 770."

Dans leur étude récente, les chercheurs ont relevé les défis associés au coût élevé des TMS existants en développant une approche innovante et peu coûteuse de la surveillance du trafic basée sur les informations d'état du canal Wi-Fi (CSI) et l'apprentissage en profondeur. Leur TMS utilise des techniques de détection et de classification de véhicules non intrusives, utiliser des caractéristiques distinctives des canaux sans fil pour classer les véhicules qui passent.

"DeepWiTraffic permet une détection et une classification précises des véhicules en exploitant les informations d'état du canal WiFi (CSI) uniques des véhicules qui passent, " les chercheurs ont expliqué dans leur article. " Les corrélations spatiales et temporelles des données d'amplitude et de phase CSI prétraitées sont identifiées et analysées à l'aide de l'apprentissage en profondeur pour classer les véhicules en cinq types différents :moto, véhicule de tourisme, SUV, pick-up, et gros camion."

Dans les communications sans fil, CSI fait référence aux propriétés de canal d'un lien de communication, décrivant comment le signal se déplace de l'émetteur au récepteur. CSI comprend des informations riches sur les changements dans les propriétés du canal causés par le passage des véhicules, qui peut être utilisé pour classer les véhicules.

Les chercheurs ont conçu un réseau neuronal convolutif (CNN) capable de capturer automatiquement les caractéristiques optimales des données CSI, puis ont formé un modèle de classification de véhicules sur des données CSI prétraitées. Ils ont également utilisé d'autres techniques pour améliorer la précision de la classification du modèle, par exemple, en atténuant les effets causés par les obstacles entourant les véhicules, y compris des objets ou des personnes se déplaçant à faible vitesse.

DeepWiTraffic a été testé sur une grande quantité de données CSI de véhicules qui passent et les données vidéo de vérité terrain correspondantes, pour un total d'environ 120 heures. Il a atteint une précision de détection moyenne de 99,4 pour cent et une précision de classification moyenne de 91,1 pour cent, malgré son faible coût d'environ 1000 $.

« Malgré le faible coût du système proposé, la précision moyenne de la classification pour cinq types de véhicules différents était de 91,1 pour cent, comparable aux solutions récentes de classification de véhicules non intrusives, ", ont écrit les chercheurs dans leur article. "Nous nous attendons à ce que DeepWiTraffic contribue à résoudre le problème de coût du déploiement d'un grand nombre de TMS pour couvrir les immenses kilomètres d'autoroutes rurales."

© 2019 Réseau Science X