无论是通过自动驾驶汽车提高可靠性、路况监控提高安全性，还是通过交通流剖析提高效率，人工智能都吸引了天下各地交通运输企业的目光。
事实上，交通运输领域的许多人已经认识到AI的巨大潜力，估量到 2026 年环球市场将达到 38.7 亿美元。
此类支出可以帮助公司利用打算机视觉和机器学习等前辈技能来塑造交通运输的未来，从而提高搭客安全、减少道路事件并减少交通拥堵。
交通领域的深度学习和机器学习也有助于创建“聪慧城市”，就像我们在格拉斯哥看到的那样，该技能可以监控车辆勾留韶光、违规停车和交通密度趋势。
NSDT工具推举： Three.js AI纹理开拓包 - YOLO合成数据天生器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎
1、自动驾驶汽车自动驾驶汽车的观点并不新鲜。 通用汽车公司早在 1939 年就推出了它。
但只有在当前的人工智能交通时期，公司才能够利用目标检测等打算机视觉技能来创建智能系统，解码并理解视觉数据，从而从实质上许可车辆自动驾驶。
虽然自动驾驶汽车听起来很繁芜，但构建其背后的人工智能的想法实际上很大略：算法被输入大量干系数据，然后接管演习以检测特定物体，然后采纳精确的行动，例如制动 、转弯、加速、减速等。
模型须要识别哪些工具？
道路上的其他车辆、路标、交通灯、车道标记、行人等。
为了网络和利用数据，自动驾驶汽车利用摄像头和传感器。 为了演习模型并使其可靠，须要持续为其供应大量数据。
当然，仍旧存在一些寻衅。
算法须要访问大量干系数据，而恶劣景象和不平坦地形等情形也可能会带来问题。 其他问题包括照明不佳以及自动驾驶汽车在路上碰着不明物体的可能性。
当然，当我们许多人想到自动驾驶汽车时，我们会自然而然地想到特斯拉。
特斯拉与 Uber、Waymo 和 Motional 等公司一样，多年来一贯致力于自动驾驶汽车的研究，始终保持领先一步。
与交通畅业人工智能领域的其他公司不同，特斯拉采取纯粹基于视觉的方法，利用配备摄像头的汽车来网络视频和图像数据，而无需在自动驾驶栈中利用高清舆图和激光雷达。
从技能角度来看，这实际上是一种更繁芜的方法，很大程度上是由于神经网络仅在视频数据上进行演习，因此实现尽可能高的准确性的需求变得至关主要。
然而，Karpathy指出：
一旦你真正让它发挥浸染，它便是一个通用视觉系统，紧张可以支配在地球上的任何地方。
特斯拉的自动驾驶团队也积累了大量数据，多达 1.5 PB 的数据，个中包括 1,000,000 个 10 秒视频和 6,000,000,000 个物体，每个物体都带有速率、深度和边界框注释。
这并不是说特斯拉完备依赖手动数据标注。 相反，它通过将人工审核与自动标注工具相结合来改进标注过程。
人工智能系统仅限于自动驾驶汽车，它们还用于卡车、公共汽车和机场税，这些创新对物流和全体供应链中的人工智能产生了巨大影响。
事实上，麦肯锡预测自动驾驶卡车将降落运营本钱约 45%。 对环境的影响也将大大减少。
在本文的别的部分，我们将更仔细、深入地研究一些为自动驾驶技能奠定根本的更详细的打算机视觉和机器学习案例。
2、交通信号灯检测仅在美国就有数千个交通灯。 虽然你可能认为红灯停车是一个大略的过程，但事实上，在美国，每年约有 1,000 人因闯红灯的车辆而不必要地丧生，这意味着整件事是一个非常危险、危险的过程。 乃至是繁芜的游戏。
这也是一场带来悲惨后果的游戏，超过 50% 的去世亡是由没有闯红灯的搭客或司机造成的。
问题在于交通灯系统本身可能是完美的，但方向盘后面的人类并不总是完美的。 缺点时有发生，有时司机会闯红灯，从而引发事件。
这个恐怖问题的办理方案可以在自动驾驶汽车中找到，它与聪慧城市一起可以防止这些去世亡。
事实上，汽车制造商正在将交通信号问题置于其自动驾驶汽车功能的紧张和中央位置。
基于人工智能的系统可以通过打算机视觉模型进行演习，识别绿色、琥珀色和赤色的灯光，这些模型在各种场景下进行演习，例如光芒条件差、恶劣景象和遮挡等。
因此，自动驾驶汽车的摄像头首先会创造交通信号，然后对图像进行剖析和处理，如果创造旗子暗记灯是红灯，汽车就会踩刹车。
当然，这里也有问题。 当摄像头扫描前方的物体时，它可能会创造其他灯光，例如广告牌或路灯。 是的，交通信号灯与路灯不同，它有三个灯，但图像剖析器的功能仍旧须要足够好，以便它可以立即创造交通信号，而不会被其他旗子暗记灯愚弄。
如果被愚弄，结果可能是毁灭性的。
当标注数据以进行交通流检测时，须要利用两种常见方法之一：
单独标记灯和外壳（最常见）利用活动灯的颜色来定义每个交通灯工具类你还可以单独标记杆和灯。
每当聪慧城市为自动驾驶汽车供应靠近传感功能时，理解其支撑构造是理解自由浮动物体位置的唯一方法。
这种标注办法还可用于确定多个车道中涌现的彼此的交通信号灯，每组旗子暗记灯相互关联并分组到下面的车道。
这篇论文磋商了一种利用卷积神经网络的交通灯检测和识别方法。
研究职员利用舆图数据和一对独立焦距相机来检测不同间隔的交通灯，提出了一种独特的光识别算法，该算法将图像分类与工具检测相结合，以识别交通灯的光状态种别。
研究职员还将 YOLOv3 集成到他们的实时交通灯检测方法中，以得到更好的结果。
这是该过程的简化表示图：
所提出的方法未能达到 100% 的准确性。 由于交通灯检测和识别须要100%的准确率，以确保搭客和行人的安全，因此须要改进。
3、行人检测如果打算机系统能够自动创造并识别图像和视频中的行人，那该有多酷？
此外，如果我们可以创建一个模型，让自动驾驶汽车能够理解行人的意图，以便他们能够实时知道（例如）行人是否打算过马路？
这样的系统肯定会帮助自动驾驶汽车避开危险情形，并有可能大幅减少道路事件。
行人检测实际上是打算机视觉和模式识别中的一个关键问题，由于行人在道路交通中可能是超级不可预测的。 它们是如此难以预测，以至于成为自动驾驶汽车成功的最大威胁之一。
关键不一定是系统能够识别特定的人类特色，例如髯毛和鼻子，而是它能够精确区分人类和其他物体，并理解行人下一步打算做什么。 因此，他们会过马路吗？
为了开始识别和可视化行人的任务，打算机视觉系统利用边界框。
为了检测行人，利用了不同类型的特色，包括基于运动的特色、基于纹理的特色、基于形状的特色和基于梯度的特色。
一些方法还结合了人体姿势估计，这是一种整理有关特定主体（在本例中为人类）即时行为信息的技能。 其目的是向自动驾驶汽车通报有关行人下一步打算做什么的信息。
例如，这篇论文研究了如何通过深度学习网络利用 2D 骨骼姿势序列来预测行人的意图。 研究职员希望创建一个模型，能够明确地见告他们行人是否要过马路。
他们将人体骨骼的动态与意图联系起来，以战胜范例交通环境中实时谨慎的意图预测的问题。
实验结果表明，基于 JAAD 数据集的 SPI-Net 在人行横道预测中取得了 94.4% 的准确率。
这是该过程的大略示意图：
当然，演习数据仍旧存在须要战胜的寻衅，个中包括不同场景下不同的照明参数、行人穿着的不同姿势和服装以及不断变革的照明条件。
后一个问题因机器视觉和摄像头的利用而受到阻碍，这便是为什么须要更前辈的技能来供应更准确的数据，然后可以利用这些数据在所有照明条件下成功识别行人。
此外，机器学习算法的成功率将决定行人检测终极的成功程度。
4、交通流量剖析交通流量无论好坏都会影响一个国家的经济，也会影响道路安全。 交通拥堵会耗费金钱和韶光，给司机和搭客带来压力，还会导致环球变暖。
有了更好的交通流量，一个国家的经济就能更好地发展，道路利用者的安全也将得到不可估量的提高。
考虑到这一点，人工智能现在正在为利用机器学习和打算机视觉进行更好的交通流剖析铺平道路也就不足为奇了。 人工智能可以帮助减少瓶颈并肃清壅塞我们道路和经济的壅塞点。
由于打算机视觉的进步，基于无人机和摄像头的交通流量跟踪和估计现在已经成为可能。
这些算法能够准确跟踪和统计高速公路交通量，并剖析城市环境中的交通密度，例如高速公路和十字路口。 这有助于城镇理解正在发生的情形，以便他们能够设计更高效的交通管理系统，同时提高道路安全。
闭路电视摄像机可以创造危险事宜和其他非常情形，并供应对高峰时段、壅塞点和瓶颈的洞察。 它还可以量化和跟踪一段韶光内的变革，以便丈量交通拥堵情形。 因此，城市方案者可以大大减少城市交通和排放。
Flir、Viscando 和 SwissTraffic 等公司一贯在利用人工智能来处理交通流量，个中 Viscando 利用立体视觉技能来监控和掌握交通。
Viscando 的系统监控十字路口和其他开放区域的交通流量，它可以同时创造和跟踪各种车辆、行人和自行车。
这些功能确保 Viscando 能够跟踪交通灯处道路利用者的轨迹，识别冲突风险并打算道路利用者在汽车之间留下的间隙。
正如 Viscando 首席实行官 Amritpal Singh 所说：
它还为城市供应了更多关于十字路口如何运作、行列步队长度和等待韶光持续韶光的数据，并且能够将行人和骑自行车的人纳入同一优化方案中。
这篇论文提出了一个包含大量动作和类的框架，以更好地进行车辆计数。 研究职员利用前辈的深度学习方法进行车辆检测和跟踪，以及许可他们监控车辆运动的轨迹方法。
研究职员希望改进交通量统计过程，这本身便是一项繁芜的任务，由于它基于闭路电视系统。 问题一贯是涉及太多的车辆移动。 如果研究职员能够履行区分区域跟踪来监控车辆的不同运动，他们就可以改进计数过程。
实验结果令人鼓舞，模型对不同运动的准确度达到 80% 到 98%，所有这些都只需相机的一个视图。
除了增加交通流量之外，人工智能还补充了可持续发展等其他聪慧城市目标。
5、打算机视觉驱动的停车管理你是否曾花费很永劫光探求停车位？
哎呀，谁没有呢！
停车位问题在当今社会如此普遍，以至于天下顶级笑剧演员都拿它开玩笑。 伍迪·艾伦打趣道：“宇宙每秒都在膨胀，但我还是找不到停车位。”
Senfeld乃至制作了两集有关停车位的剧集。
当然，探求停车位实际上并不好笑。 这可能会带来巨大的压力（并且对环境不利），而办理停车场问题是天下各地城镇都在努力办理的问题。
打算机视觉如何用于停车管理？
我们首先从传感器开始。
安装传感器来监控停车场是否有空位。 每当车辆停在某个空间时，传感器就能够打算到其底部的间隔。
但由于传感器无法扫描车牌，因此摄像头、停车计时器和打算机视觉须要参与。
因此安装了摄像头，利用打算机视觉来识别没有仪表的地点。 利用自动车牌技能，他们可以创造停放的车辆，并丈量停放的韶光。
然后，打算机视觉可以利用数据实时更新所有空置和可用空间的库存。 然后，驾驶员可以访问移动设备上的舆图，查看所有可用的停车位。 这可以节省大量韶光，在机场等过度拥挤的停车场尤其有用。
该系统也已投入利用，城镇和城市在停车勾引和信息 (PGI) 系统中利用打算机视觉来进行视觉停车场占用检测。
此外，与基于传感器的技能比较，它是一种更实惠的选择——这些技能价格昂贵，而且须要常常掩护。
例如，Zensors 已经利用打算机视觉进行停车管理。 他们有一个平台，可以逐个跟踪停车位占用情形，并勾引司机找到可用停车位。 他们的人工智能系统“许可机场交通管理者供应可用停车位的路线导航，最大限度地延长乘客在空侧购物和餐饮举动步伐的韶光。”
6、路况监测坑洼破坏是美国的一个紧张问题，据估计，坑洼破坏每年给司机造成的丢失超过 30 亿美元。
然而多年来，路况监测很大程度上节制在公民手中，他们的“任务”是提高当地议会对受损道路的认识。
现在，人工智能交通中的打算机视觉可以成功检测毛病，并通过探求沥青和混凝土的变革来评估周围的根本举动步伐。
打算机视觉算法能够识别坑洼，并准确显示道路破坏程度，以便干系部门采纳行动并改进道路掩护。
这些算法的事情事理是网络图像数据，然后对其进行处理以创建自动裂纹检测和分类系统。 然后，这些将促进有针对性的康复和预防性掩护，并且无需人工参与。
换句话说，公民不再有任务报告坑洼和其他道路破坏情形。 相反，人工智能系统将实时更新，以便更快地采纳行动。 这节省了韶光和金钱。
自动路面破损（PD）检测的总体目标是提高道路掩护分配效率，同时提高道路安全性，从而大大减少事件。
目前有许多人工智能驱动的道路掩护项目正在运营，个中包括 The RoadEye，该项目利用运输中的机器学习和打算机视觉来战胜路面破坏问题。
The RoadEye 项目将利用集成系统进行实时路况监测。 摄像头将与嵌入式系统相结合，集成到完全的 ADAS 系统中，该系统本身将通过机器学习实时跟踪其行驶的任何路面的状况。
The RoadEye 开拓的机器学习技能会将道路状况分为不同种别，例如“湿润”或“正常”，并且还会检测道路表面的不规则情形，包括坑洼。
The RoadEye 的目标包括利用汽车创建完全的道路图像数据集，然后在所述数据集上演习打算机视觉技能。 该数据集将在国家层面进行整理，然后将用于 ADAS 运用程序。
The RoadEye 还有其他用场。 例如，它可以在道路结冰时向驾驶员发出警告，提高驾驶员的保持力，从而节省燃油，并让他们在驾驶时更加安心。
7、自动交通事宜检测交通事宜检测是 ITP（智能交通系统）和人工智能交通领域研究最深入的领域之一。
毕竟，只要有交通，就总会发生事件，并且总会涌现堵塞。
对付那些卖力保持道路畅通的人来说，这是一个问题，由于终极目标是确保交通畅通，尽可能减少滋扰。
多年来，视频监控在跟踪道路网络和交叉口方面一贯发挥着重要浸染。 它为交通管理中央供应事宜和交通流量的实时视图，使卖力职员能够尽快做出相应。
然而，人类的能力是有限的，不可能同时监控每一个摄像头。 由于任务一贯是手动的，因此并不总是能立即检测到事宜，因此耽误韶光很长。
这便是自动事宜检测的用武之地。
它利用打算机，并将传感器与打算机视觉相结合，持续监控所有摄像头，留神事宜、行列步队和非常交通状况。
它是如何运作的？
城市道路网络配备了闭路电视摄像机和多个探测器。 它们共同为自动化、不间断的监控奠定了根本。
在打算机视觉的支持下，探测器能够供应持续的数据流，帮助 TMC 进行交通运营。
每当交通状况涌现非常时，掌握中央操作员都会收到警报，并且他们能够尽快对人工智能驱动系统检测到的任何事宜做出相应。
为了网络数据，自动事宜检测依赖闭路电视摄像头和车内感应回路。
已经创建了用于自动事宜检测的系统。 例如，ClearWay 已经足够繁芜，能够在事宜发生后的前十秒内创造事宜。 该系统可在任何照明和蔼象条件下事情，可在十字路口、隧道、开放道路上利用，并且在设计时考虑到了聪慧城市。
同时，误报率仅为每个传感器每天一次，其 AID 雷达覆盖范围长达 1,000m。
它能够检测到的不同类型的事宜包括：
碎片检测行人检测（和动物）静止车辆逆行行驶的车辆车辆太快或太慢8、自动车牌识别自动车牌识别涉及利用连接在高速公路立交桥和路灯杆上的打算机视觉摄像头系统来捕获车牌号码以及位置、日期和韶光。
捕获图像后，数据就会被输入中心做事器。
自动车牌识别可以利用专门为此目的设计的新摄像头系统，也可以利用现有的闭路电视以及道路规则司法摄像头。
为什么须要自动车牌识别？
警方常日利用它来帮助他们证明证据。 例如，犯罪现场是否存在颗粒车辆？ 有人有合法的不在场证据吗？
然而，自动车牌识别也可用于创造出行模式，并广泛运用于高度监控、停车管理和收费管理。
警察部队网络的信息是否与其他机构共享取决于详细司法机构本身。
自动车牌识别并不像交通检测和路况监控等其他交通问题那么紧迫。 因此，环绕它的问题，例如更多确当局支出和高缺点率，被认为是有争议的。
此外，事实上，自动车牌识别在理论上可以理解驾驶员生活的私密细节，并理解谁可能参加抗议活动或参不雅观枪支商店等，这意味着"大众年夜众的支持时好时坏。
毕竟，司机不能选择不让自己的车牌被看到。
9、驾驶员监视在美国，每年因困倦和疲倦导致的交通事件约 56,000 起，去世亡人数多达 1,500 人。
根据此类统计数据，英国政府将驾驶员疲倦视为“须要办理的驾驶员行为的紧张领域之一”。
个人任务必须纳入个中，但正如那些令人震荡的统计数据所显示的那样，这还不足。 哀求司机更加小心驾驶并不能肃清人为缺点。
打算机视觉现已被添加到汽车驾驶室中，以便更好、更安全地监控驾驶员。 该技能利用人脸检测和头部姿势估计来监视困倦和感情识别等情形，每年可以防止数千起车祸和去世亡。
这非常主要，由于许多驾驶员不愿意承认自己感到疲倦，或者觉得有点困会影响他们的驾驶能力。 人工智能驱动的技能可以在司机因疲倦而驾驶受到严重影响时发出警报，并建议他们靠边停车安歇。
这确保了驾驶员、搭客以及其他道路利用者的安全。
该技能被证明有用的其他领域包括分散驾驶员把稳力。 如果驾驶员分心（例如，由于移动设备而分心），技能可以立即提醒他们保持专注于道路。 其他滋扰可能包括与后座搭客谈天，这会在驾驶员没故意识到的情形下影响他们的把稳力。
Eyedentify 已经开拓出一种检测驾驶员疲倦和分心的办理方案。 他们的系统能够实时提醒驾驶员保持专注并将把稳力集中在道路上。
10、交通领域的人工智能：终极想法交通领域的人工智能正在利用主要的前辈技能，例如提高安全性的交通大数据和提高效率的机器学习，从而使城镇和城市以及聪慧城市能够减少道路事件数量，改进交通状况。 流量，乃至将犯罪分子绳之以法。
事实上，当你能够利用交通大数据和机器学习等技能办理困扰交通运输行业的所有关键问题（例如大量不必要的去世亡、瓶颈和道路受损）时，安全性和效率就会显著提高
当然，我们只处于令人愉快的前沿。 还有更多的事情要做。 随着技能的不断改进，我们希望天下各地会涌现更多的聪慧城市，从而提高环球运营效率，增强可持续性，并使我们的道路、高速公路和十字路口对所有人来说更安全、更好。
原文链接：TOP9 交通运输AI运用 - BimAnt