基于AI的智慧高速关键技术与应用

  编者按：近日，在赛文研究院主办、长安大学信息工程学院承办的“2022年智慧高速技术与应用跨年分享会（敢问智慧高速路在何方）”中，东南大学交通学院副院长刘志远教授就智慧高速技术方面的研究，作了《基于AI的智慧高速关键技术与应用》的报告。

  该报告从智慧交通背景开始阐述，并详细的介绍了东南大学联合多家单位编制的《基于AI的智慧公路应用技术探讨研究报告》白皮书、人工智能的主要应用场景、AI在公路领域的应用及有关技术案例。

  智慧城市是运用物联网、云计算、大数据、空间地理信息集成等新一代信息技术方法，通过感测、分析、整合城市运行核心系统的各项关键信息，对民生、环保、公共安全、交通、城市服务、工商业活动在内的各种需求做出智能响应。

  智慧交通是智慧城市的关键内容，融入智能网联新技术，综合运用交通科学、系统方法、人工智能、知识挖掘等理论与工具，以全面感知、深层次地融合、主动服务、科学决策为目标，通过建设实时的动态信息服务体系，深度挖掘交通运输有关数据，形成问题分析模型，提升行业资源配置优化能力、公共决策能力、行业管理能力、公众服务能力。

  交通部在2020年8月3号发布的《交通运输部关于推动交通运输领域新型基础设施建设的指导意见》，阐述了公路、铁路、航道、港口、民航、邮政、枢纽七大交通基础设施的智慧化任务。新基建通篇在描述两个对象，一是基础设施，二是人工智能，因此新基建的目标也是智慧公路未来的发展建设当中很重要的目标，即如何有效将二者进行融合。

  人工智能作为我国战略科技的核心力量，在交通领域的相关国家纲要都有所涉及和强调。例如2019年9月发布的交通强国，提到了把大数据、互联网、人工智能等有关技术和交通行业深层次地融合来推动交通技术的发展。我国在十四五规划和面向2035的远景规划纲要当中有6次提到人工智能，人工智能对于交通领域以及智慧交通的发展至关重要。

  过去10年的时间，AI在交通领域快速的提升，我们所看到的行业发展的新趋势和现状是现在路侧的感知设备，经过几年时间的建设，已经有了非常好的技术积累，包含摄像机、雷达等相关的感知设备，在已有基础设施建设的基础上，感知设施能带来海量的数据，数据的发展也给交通工程的技术提升带来了新的契机。

  已有的数字化积累也为交通工程的基础理论和综合交通的顶层的模型带来了发展契机。世界各地的专家学者能清楚看到，我们正推动构建基于大数据的新一代交通工程方法理论体系。

  而在这样的环境下，目前的智慧公路和AI在道路交互与通行体系的应用依然存在着一些短板，大多数表现在目前的数据环境已经相对而言比较完备，但并没有对数据来进行深度挖掘，以及结合数据去提升技术方法的预见性和智能化，因此如何深度构建AI的技术方法体系，推动AI在道路交互与通行领域的技术发展，是如今亟待解决的关键的问题。

  鉴于这个目标，东南大学进行深度的调研工作，在中国智能交通产业联盟进行了规范标准的立项，目的是探讨AI在道路交互与通行当中发展所存在的瓶颈问题到底是什么。

  该报告由东南大学牵头，联合了行业内的顶级高校、科研院所以及核心的有突出贡献的公司平台，从21年10月份开始，历时一年多的时间，进行了深度的调研和融合。

  调研对象涵盖了行业内相关的技术探讨研究、高校院所和行业部门，对所有参与者都进行了深度的访谈和沟通。调研的方式也是非常的多元，目的是为了挖掘人工智能的智慧公路的发展路线图，AI在智慧公路方面的应用体系性的架构，最终形成AI应用的技术报告。

  白皮书涵盖了人工智能的相关核心技术，最终整合形成了5个方面的人工智能技术，分别是计算机视觉、知识图谱，智能体仿真、数字孪生和自然语言处理。

  1、计算机视觉：是分析、研究让计算机智能化达到类似于人类的双眼“看”的一门研究科学，是一门包括了计算机科学与工程、神经生理学、物理学、信号处理、认知科学、应用数学与统计等多门科学学科的综合性科学技术。

  在公路领域，计算机视觉是最早被应用的人工智能技术之一，目前在交通事件识别、轨迹分析、车牌识别、养护巡查等多个场景均有广泛应用，技术成熟度较高，并易于同其他技术相结合，发挥更大的价值。

  2、知识图谱：作为一种用图模型来描述知识和建模世界万物之间关联关系的大规模语义网络，由节点（实体、概念、属性值）与边（联系）构成。知识图谱技术在刚提出时大多数都用在提升搜索引擎返回的答案质量与用户的查询效率；过去十年以来，知识图谱已被大范围的应用于多个领域，如搜索引擎、推荐算法、金融等，实现了将多源异构数据中的知识融合到知识库中。

  知识图谱能够用可解释的图形结构描述现实世界，提供了一种更好的组织、管理和理解海量信息的能力，能够以更加清晰、动态、图形化的方式展示交通领域中的知识。

  3、智能体仿真：智能体是指在某一环境下，可以依据自身遇到的情况，自主地发挥作用并做出适应性的反应的计算实体。其具有以下优势：

  4、数字孪生：又被称为数字映射、数字镜像或数字克隆体。它存在于与现实世界相映射的数字空间里，具有全生命周期属性的动态克隆体，通过导入历史和实时数据及算法模型，在数字世界操作、验证、自我迭代，可反向实时驱动现实世界，甚至能提供先知感应的超体。

  “交通数字孪生”理念为交通规划、建设、运营、管理和服务提供了新的发展空间，将成为未来智慧交通运输系统发展的新方向。

  5、自然语言处理：是一种机器学习技术，使计算机能够解读、处理和理解人类语言。如今，组织具有来自各种通信渠道（例如电子邮件、短信、社会化媒体新闻源、视频、音频）的大量语音和文本数据。他们使用NLP软件自动处理这一些数据，分析消息中的意图或情绪，并实时响应人际沟通。

  自然语言处理对于高效全方面分析文本和语音数据至关重要:处理、分析和存档大型文档、回答“人员-事件-时间-地点”问题、分类和提取文本。

  经过一年多的深入梳理，我们得到了一个很重要的结论，即智慧交通的五个“卡脖子”问题。

  （1）现行的标准体系并没有覆盖到智慧公路的所有领域，缺少具有指南性规范性的纲领。

  （2）由于标准规范的缺乏，导致智慧公路的实施处于一个较为混乱、模糊的状态，商业模式也够清晰，并未达到AI在公路领域实施的预期效果。

  （1）一些地方在规划和实施智慧公路过程中，不注重智慧公路顶层设计，也缺乏相关的管理、考核、监督机制，这使得智慧公路建设过程有可能会出现仅关注单个信息化项目、单个领域信息化建设的现象，对智慧公路统筹规划和总体架构把握不够，难以实现智慧城市建设平台化、集成化发展，从而在建设过程中形成新一轮信息孤岛。

  （2）一些项目缺乏运营和运维管理的长效机制，缺乏相应的配套政策和法制环境，使市场配置资源的基础性作用难以发挥，无法激发社会力量参与智慧公路建设的积极性和创造性，最后导致项目难以持续。

  （3）部分智慧公路建设中还存在不最大限度地考虑现有信息化基础、产业基础，不紧密结合城市发展特色，盲目贪大求全等问题。

  （1）数据采集不足：虽然进入大数据时代，天天都会产生海量的数据，但当前交通AI应用有关数据处于较为原始状态，交通AI场景训练数据集并未有效收集，造成训练不充分、效果不理想的情况。

  （2）数据处理环节缺失：交通数据的处理工作比较考验专业性，部分环节要专业人士才能够实现；当前缺少资源投入，导致交通数据的处理环节缺失。

  （3）数据标注缺乏：目前各种可视化大屏应用丰富复杂，而其背后数据代表意义尚不明确，其间应用比较模糊；智慧公路系统及平台结果的呈现形式和表征解读亟需具体标准和规范。

  （4）标准化程度低：和AI相关的系统输出数据多为结构化数据，各部门实现方法不一样，会给各部门间协同合作带来阻碍；由于标准化程度低，目前数据还未达到训练模型的标准。

  （1）某些智慧公路项目未经统筹规划及可行性论证，即盲目上马、仓促上马，建设过程重硬件轻软件，软件、信息资源开发利用的投入与硬件投入比例失衡，导致成效低下、资源浪费，出现了一些“形象工程”。

  （2）绝对意义上说，在很久内，智慧公路建设存在着不足现象。但是在相对意义上，从小范围内、小时间段内看，会有智慧公路过度的迹象，值得警惕。

  5、落地效果不佳，未能实现“少人化”，减少一线）业务不联动，协同不密切：高速公路各路段运行的业务与养护业务之间缺少联动，同一业务跨路段、跨路网的协同不密切，联合调度指挥能力弱。

  （2）感知手段少、响应速度慢：感知手段不全面，智能化程度低，导致事件发生后无法第一时间掌握现场状况，无法快速生成应急指令，以此来降低了响应速度和指挥效率。

  （3）预测能力差、辅助水平低：因缺乏数据支撑，导致系统预测能力差，无法为人工决策提供有效的辅助，决策水平主要根据指挥人员的经验。

  （4）问题溯源能力差、管控水平弱：因缺乏全面感知的数据，无法对事件发生的最终的原因通过仿真等方式展开溯源，无法确定问题症结，导致没办法实现精准化管控。

  在评定问题之后，引入建、管、养、运4方面人工智能的一些核心场景，以上所提到的人工智能技术，有着很碎片化的应用，那么这些应用的核心应用场景是什么？它的优先级和目前技术的普及性是体现在哪里？我们通过多方探索，整合了行业集体的声音，推断出体现在以下几方面。1、公路建设

  （1）外业勘测：使用AI+倾斜摄影的数字孪生建模技术、基于流程自动化RPA的数据输入技术、结合BIM、CIM的3D场景建模技术

  （2）道路桥隧定线与设计：基于深度学习的地形地物、控制点等静态目标的目标识别技术、基于增强现实与类脑智能计算的横断面自动切割建模技术、基于推荐算法的桥梁自动化设计与多样化定线）穿戴设备：基于模式识别技术的无线传感自组网安全感知设备、基于人机交互技术的定位追踪预警技术、基于多源大数据融合的员工管理技术

  （4）工程建设：基于深度学习的智能压实技术、基于智能材料的低碳预制道面技术

  （2）伴随式信息服务：基本智慧化，建立车路协同数字孪生平台、中级智慧化，能以智慧化的方式对道路交互与通行运行来管理、高级智慧化，网联协同的智慧化管控环境

  （3）异常交通事件检测与管控：多源信息、多部门数据融合、提升极端恶劣天气的管理效果、实现全量交通要素感知和智能协同管控

  （5）数据库建设：云边端架构技术、数字孪生等技术的引入、基于最优化理论、深度强化学习的自调优算法

  （4）桥隧病害检测：结合无人机航拍与BIM技术的高速公路桥梁养护、摄像测量隧道病害快速检测技术、激光扫描隧道病害快速检测技术

  （2）自由流收费：基于北斗系统的自由流收费技术、搭建云端服务平台，形成信用出行支付体系、基于仿真自动化构建的不同场景下准自由流收费方案评价

  （3）治超执法：基于机器语音识别进行现场执法监查、建立治超非现场执法信息中心、超载智能“自识别

  聚焦建、管、养、运四方面，对于人工智能的应用，咱们进行了体系化的梳理，在梳理的基础上，得到了它的发展趋势图，把智慧公路的发展进行了分级梳理。

  无人驾驶深入人心，其分级的梳理是目前重要的技术结论，自动驾驶从L1级别一直到L5级别，对于每个级别的技术发展和技术的要求，所有的从业者都有一个很清晰的理解。反观智慧交通的发展，在高速的建设方面，我们有着非常大的投入，也有很严谨的规划，但是智慧公路到底怎么分级，其实现在并没有一个很清晰的方案，因此项目组对于智慧公路的分级给出了一些思考。

  现在国家很多城市和区域都有提到以路为主的车路协同的技术发展，即不是车路协同，而是路车协同。智慧的路、聪明的车，以路为先导的智慧化的技术体系的构建到底该如何去分级？

  在经过深入的思考，结合着行业当中集体的声音，最后得到这样的答案，对于智慧公路可分为4个不同的级别，早期的第一个级别就是目前的传统公路，随着人工智能尤其是各种视觉感知技术的发展，能进入到第二级。

  第三个级别就是进行多源数据的深层次地融合，多个不同的部门在人工智能的技术支撑的体系的基础上，去进行一体化的融合发展。

  最后一个阶段式的智能化公路，也就是在业务层面能够彻底打通，人工智能的应用能够进一步的成熟和体系性的发展，这是对于智慧公路路侧的发展的阶段，即给智慧公路现在是可以从L1到L4进行分级，也给智慧公路未来的发展提供了清晰的路径。

  最后介绍一下AI在公路领域的应用技术方案，这其中包含五个关键的核心技术。

  1、雷视融合关键技术探讨研究在感知层面，现有的视频识别算法历经10余年的发展，已经有很广泛的应用。但是在目前的阶段，雷达又提供了新的支撑，很多现有的路侧设备在RSU建设的过程中，都是将雷达和视频融为一体，既能够给大家提供精准的数据，也能够给大家提供大范围的数据，即雷视的融合，除了体现在两种数据相互支撑，既能进一步提升感知精度，又有很重要的体系性思维。