En un proyecto que aprovecha la visión por computadora, aprendizaje automático, y sensores, Los científicos del Laboratorio Nacional de Oak Ridge están trabajando con la empresa privada GRIDSMART Technologies, Inc. para demostrar cómo se pueden programar los semáforos para mejorar el ahorro de combustible y reducir las emisiones al mismo tiempo que se facilita la fluidez del tráfico.

Las cámaras de tráfico GRIDSMART ya están siendo utilizadas por comunidades de todo el mundo para reemplazar los sensores en la carretera que se usaban tradicionalmente para detectar vehículos e informar la sincronización de las señales de tráfico. Estas cámaras inteligentes proporcionan una vista de pájaro de las intersecciones, recopilar datos que puedan orientar las estrategias de sincronización y flujo de tráfico.

Los objetivos del programa son enseñar a las cámaras GRIDSMART a estimar la eficiencia de combustible de los vehículos en las intersecciones y luego controlar la sincronización de las señales de tráfico para ahorrar energía y optimizar el rendimiento del tráfico. explicó el líder del proyecto Tom Karnowski de ORNL's Imaging, Señales y Grupo de Aprendizaje Automático.

El potencial de ahorro de combustible es sustancial. El Departamento de Energía de EE. UU. Estima que al ralentí de vehículos pesados ​​y ligeros combinados se desperdician alrededor de 6 mil millones de galones de combustible por año. A medida que los vehículos están inactivos en las intersecciones y otros lugares, se desperdicia combustible.

El proyecto ORNL / GRIDSMART fue uno de los primeros fondos otorgados bajo el nuevo programa de Computación de Alto Rendimiento (HPC) para Movilidad (HPC4Mobility) de la Oficina de Tecnologías de Vehículos del DOE. Como parte de la iniciativa HPC para la innovación energética, El programa reúne los recursos de supercomputación y la experiencia científica de los laboratorios nacionales del DOE en asociación con la industria para encontrar soluciones a los desafíos energéticos del transporte del mundo real.

La creación de un sistema de transporte inteligente en áreas urbanas con mucho tráfico requiere una observación más allá de la capacidad humana, y la cantidad de datos generados por las cámaras GRIDSMART lo convierten en un ajuste excelente para el programa HPC4Energy, Señaló Karnowski.

"GRIDSMART se complace en trabajar con ORNL en este proyecto, "dijo Jeff Price, Director de tecnología de GRIDSMART. "La movilidad urbana multimodal plantea desafíos muy complicados. Poner en práctica las capacidades de ORNL en computación de alto rendimiento y aprendizaje automático en los datos exclusivos de GRIDSMART y su gran base de instalación proporcionará algunos conocimientos fascinantes".

La primera fase para los investigadores de ORNL ha sido tomar imágenes de las cámaras aéreas de tráfico de GRIDSMART y compararlas con fotos a nivel del suelo para crear una base de datos. Los investigadores quieren entrenar las cámaras para estimar la economía de combustible de varios vehículos presentes en las intersecciones categorizando su tamaño y clase de vehículo.

Los investigadores de ORNL desarrollaron un sistema para combinar las fotos resultantes con los datos de consumo de combustible para diferentes clases de vehículos, lo que resultó en un rico conjunto de datos de imágenes etiquetadas.

"Cualquier proyecto de aprendizaje automático será tan bueno como los datos que ingrese, "Dijo Karnowski.

La segunda fase del proyecto consiste en crear una aplicación de software utilizando el aprendizaje por refuerzo en las supercomputadoras de ORNL. El aprendizaje por refuerzo básicamente le enseña a una computadora cómo jugar un juego sin estar programado explícitamente para hacerlo. "En este caso, el 'juego' es ahorrar combustible sin sacrificar el rendimiento, "Dijo Karnowski.

El proyecto aprovecha los sistemas informáticos de alto rendimiento en Oak Ridge Leadership Computing Facility, una instalación para usuarios de la Oficina de Ciencias del DOE en ORNL, como la supercomputadora Summit, la computadora de acceso abierto más potente del mundo. Los sistemas se utilizarán para realizar simulaciones de intersecciones y elaborar estrategias matemáticas para guiar el tiempo de los semáforos.

"La idea es enseñar a las cámaras a estimar el consumo de combustible y luego enseñar a una cuadrícula completa de esas cámaras a administrar los semáforos para que el sistema sea más eficiente en el consumo de combustible, "Dijo Karnowski.

Los colaboradores de ORNL en el proyecto incluyen a Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, y Husain Aziz.

"Este proyecto es un ejemplo de cómo los recursos informáticos de alto rendimiento de los laboratorios nacionales disponibles a través de HPC4Mobility pueden permitir a la industria estadounidense optimizar la eficiencia energética y reducir las emisiones, "dijo Claus Daniel, Director del programa de transporte sostenible y líder del programa HPC4Mobility en ORNL. "Estamos trabajando mano a mano con un socio privado para aprovechar los recursos informáticos y la experiencia en aprendizaje profundo del DOE para resolver un desafío de movilidad del mundo real, uno que ahorrará energía y mejorará el flujo de tráfico".