I ett projekt som utnyttjar datorsyn, maskininlärning, och sensorer, Oak Ridge National Laboratory forskare arbetar med det privata företaget GRIDSMART Technologies, Inc. för att demonstrera hur stoppljus kan programmeras för att förbättra bränsleekonomin och minska utsläppen samtidigt som det underlättar ett smidigt trafikflöde.

GRIDSMART-trafikkameror används redan av samhällen runt om i världen för att ersätta vägsensorer som traditionellt används för att upptäcka fordon och informera trafiksignaltiming. Dessa smarta kameror ger realtid, fågelperspektiv över korsningar, samla in data som kan styra timing och trafikflödesstrategier.

Programmets mål är att lära GRIDSMART -kameror att uppskatta fordons bränsleeffektivitet vid korsningar och sedan styra trafiksignaltiming för att spara energi samtidigt som trafikgenomströmningen optimeras, förklarade projektledaren Tom Karnowski från ORNL's Imaging, Signaler, och maskininlärningsgrupp.

Bränslebesparingspotentialen är stor. Det amerikanska energidepartementet uppskattar att tomgång från tunga och lätta fordon kombinerar slöser med cirka 6 miljarder liter bränsle per år. När fordon är lediga vid korsningar och andra platser, bränsle går till spillo.

ORNL/GRIDSMART -projektet var en av de första beviljade medlen inom ramen för DOE Vehicle Technologies Office:s nya High Performance Computing (HPC) for Mobility (HPC4Mobility) -program. Som en del av HPC for Energy Innovation Initiative, programmet sammanför superdatorresurser och vetenskaplig expertis från DOE:s nationella laboratorier i samarbete med industrin för att hitta lösningar på verkliga transportenergiutmaningar.

Att skapa ett intelligent transportsystem i trafiktäta stadsområden kräver observation utöver mänsklig kapacitet, och mängden data som genereras av GRIDSMART -kamerorna gör att den passar utmärkt för HPC4Energy -programmet, Noterade Karnowski.

"GRIDSMART är glada över att arbeta med ORNL på detta projekt, "sa Jeff Price, GRIDSMART teknikchef. "Multimodal stadsrörlighet ställer mycket komplicerade utmaningar. Att ta till sig ORNL-kapacitet inom högpresterande datorer och maskininlärning på GRIDSMARTs unika data och stora installationsbas kommer att ge några fascinerande insikter."

Den första fasen för ORNL-forskare har varit att ta bilder från GRIDSMARTs överliggande trafikkameror och jämföra dem med bilder på marknivå för att skapa en databas. Forskarna vill träna kamerorna att uppskatta bränsleekonomin för olika fordon som finns vid korsningar genom att kategorisera deras storlek och fordonsklass.

ORNL -forskare utvecklade ett system för att kombinera de resulterande fotona med bränsleförbrukningsdata för olika fordonsklasser, vilket resulterade i en rik datamängd med märkta bilder.

"Alla maskininlärningsprojekt kommer bara att vara lika bra som data du lägger in, "Sa Karnowski.

Den andra fasen av projektet är att skapa en mjukvaruapplikation med hjälp av förstärkningslärande på ORNL:s superdatorer. Förstärkningslärande lär i princip en dator hur man spelar ett spel utan att vara uttryckligen programmerad att göra det. "I detta fall, "spelet" sparar bränsle samtidigt som det inte offrar genomströmning, "Sa Karnowski.

Projektet utnyttjar högpresterande datasystem vid Oak Ridge Leadership Computing Facility, en DOE Office of Science användaranläggning på ORNL, till exempel Summit -superdatorn - världens mest kraftfulla öppet tillgängliga dator. Systemen kommer att användas för att utföra simuleringar av korsningar och komma med matematiska strategier för att styra trafikljusets timing.

"Hela tanken är att lära kameror att uppskatta bränsleförbrukningen och sedan lära ett helt nät av dessa kameror att hantera trafikljus för att göra systemet mer bränsleeffektivt, "Sa Karnowski.

ORNL -medarbetare i projektet inkluderar Travis Johnston, Thomas Naughton, Wael Elwasif, Jonathan Sewell, Russ Henderson, och Husain Aziz.

"Detta projekt är ett exempel på hur nationella högpresterande datorresurser för laboratorier som görs tillgängliga via HPC4Mobility kan göra det möjligt för amerikansk industri att optimera energieffektivitet och minska utsläpp, "sa Claus Daniel, Programdirektör för hållbar transport och programledare för HPC4Mobility på ORNL. "Vi arbetar hand i hand med en privat partner för att utnyttja DOE:s datorresurser och djupinlärningsexpertis för att lösa en verklig mobilitetsutmaning-en som kommer att spara energi och förbättra trafikflödet."