車輛在紅綠燈前等待，或者在交通擁擠時，讓發動機空轉，會浪費掉很多燃料。為此，美國ORNL研發出一個計算機視覺系統，以指減少車輛燃油消耗。

蓋世汽車訊 據美國能源部估計，因車輛在紅綠燈前等待，或者在交通擁擠時，讓發動機空轉，美國每年大約會浪費掉60億加侖的燃料。而在此類車輛中，燃油效率最低的就是用于運輸貨物的大型重型卡車，在不行駛時消耗的燃料比乘用車多得多。

（圖片來源：ORNL）

據外媒報道，現在，美國橡樹嶺國家實驗室（ORNL）的研究人員設計出了一個計算機視覺系統，該系統采用之前已經上市、田納西公司GRIDSMART（專注于提供交通管理服務）的交通燈攝像頭，能夠直觀地看到十字路口的車輛，估計其油耗，然后指導交通信號燈，讓效率較低的車輛繼續移動，以減少其燃油消耗。

要證明該系統可與現有的技術共同發揮作用是一個復雜的難題，需要將許多不同的部分組合在一起，如高科技攝像頭、車輛數據集、人工神經網絡以及計算機交通模擬。

為了讓此種基于攝像頭的控制系統能夠工作，首先需要在交通繁忙的十字路口安裝智能攝像頭以捕捉車輛的圖像，并配備數據傳輸設備。此種攝像頭早已存在，其中就包括GRIDSMART公司生產的一款。

目前，GRIDSMART的攝像頭系統已經在全球1200個城市安裝，取代了傳統的地面傳感器，取而代之的是安裝在頭頂的魚眼攝像頭，能夠提供三鏡頭視覺跟蹤，讓交通信號燈的執行實現最優。該款鐘形攝像頭與運行GRIDSMART客戶端軟件的處理器單元連接在一起，后者為市政交通工程師提供了非常詳細的信息，如交通指標、交通事故的無障礙視圖等。

此類數據可用于調整交叉口的交通燈定時，從而改善交通流量。此外，在規劃建設或變道時，可以將車輛數量考慮在內，并幫助衡量交通管制變化帶來的影響。

2018年2月，該團隊的第一步是使用GRIDSMART攝像頭創建車輛類別圖像數據集。由于GRIDSMART攝像頭安裝方便，已經安裝在ORNL園區，該團隊還采用了ORNL正在研發的地面式路邊傳感器系統，從而能夠將頭頂的圖像與高精度的地面視圖相結合。

一旦利用商用軟件應用了車輛分類標簽，加上DOE的燃油經濟性評估，該團隊就會得到一個獨特的數據集，以訓練用于識別車輛的卷積神經網絡。

由此得到的ORNL日常車輛數據集（Overhead Vehicle Dataset）表示，GRIDSMART攝像頭確實能夠成功捕捉到有用的車輛數據，截至2018年9月，收集了大約12600輛車的圖像，其“地面實況”標簽（品牌、型號和MPG估計）跨越了474種分類。不過，ORNL成像、信號和機器學習小組的研發人員Thomas Karnowski認為，此類分類不夠多，不足以有效地訓練一個深度學習網絡，而且該團隊在該項為期一年的項目中，并沒有足夠的時間收集更多的信息。所以，到哪里去找到一個更大、更精細的車輛數據集呢？

Karnowski想到了斯坦福大學研究員Timnit Gebru進行的一個車輛圖像項目，該項目從谷歌街景圖（Google Street View）圖像中識別出了2200萬輛汽車，并分成了2600多個類別（如品牌和型號），然后再將其與人口統計數據進行關聯。在Gebru的許可下，Karnowski下載了該數據集，隨后，該團隊準備進行該項目的第二步，創建一個神經網絡。

該團隊利用深度學習多節點進化神經網絡（MENNDL）打造了另一個神經網絡，用于比較。MENNDL是由ORNL計算機數據分析小組研發的高性能計算軟件堆棧。MENNDL使用了一種進化算法，該算法不僅可以創建深度學習網絡，還可以動態地改進網絡設計。通過自動結合和測試數百萬個“父”網絡，以生成性能更高的“子”網絡，MENNDL培育出了優化神經網絡。

Karnowski的團隊利用Gebru的訓練數據集，在橡樹嶺領導計算設施（位于ORNL的國家能源部科學用戶辦公室設施）內，在現已退役的Cray XK7泰坦計算機（曾以27千萬億此浮點運算被評為世界上最強大的超級計算機）上運行了MENNDL。Karnowski表示，雖然MENNDL產生了一些新的架構，但是其網絡分類結果的準確性沒有超越該團隊的AlexNet派生網絡。有了額外的訓練時間和訓練圖像數據，Karnowski相信，MENNDL能夠創造一個更理想的網絡。

由于無法在城市十字路口網絡內配備GRIDSMART交通信號燈，Karnowski的團隊轉而使用計算機模擬來測試該系統。城市移動出行模擬（SUMO）是一個開源模擬套件，能夠讓研究人員對交通系統進行建模，其中包括車輛、公共交通，甚至行人。SUMO還可實現定制建模，所以Karnowski的團隊能夠將其應用到項目中。在SUMO模擬環境中，該團隊增加了一個“視覺傳感器模型”，從而可以利用強化學習來引導交通信號燈控制器網絡，減少大型車輛的等待時間。

研究人員在各種交通場景下測試了該方法，以評估視覺傳感的燃油節省能力。在某些含有大型卡車的使用場景下，該方法可以節省高達25%的燃料消耗，而且對等待時間的影響最小。在其他場景中，模擬系統對使用重型卡車的場景進行訓練，不過在更加平衡的測試交通條件下評估了視覺傳感的燃油節省能力。研究團隊并沒有對節省的費用進行量化，不過經過訓練的強化學習控制能夠很容易適應新環境。

上述所有測試僅限于建立概念驗證，還需要更多工作以準確評估此種方法的影響。Karnowski希望繼續采用更大的數據集、經過改進的分類器以及更廣泛的模型，來研發該系統。GRIDSMART公司則認為該項目提供了一種為客戶提供新服務的前景。