[論文レビュー] A Distributed Acoustic Sensor System for Intelligent Transportation using Deep Learning

Chia-Yen Chiang, Mona Jaber+1 more|arXiv (Cornell University)|Sep 13, 2022

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

本稿では、光ファイバー線路からの分散音響センシング（DAS）を用いた深層学習ベースのシステムを提案し、インテリジェント交通システム（ITS）における車両種別と乗車定員推定を実現する。制御された条件下で、車両種別の正確性は92%、乗車定員検出は92–97%を達成し、監視カメラ手法に代わるプライバシー保護型でスケーラブルな代替手段を提供する。

ABSTRACT

Intelligent transport systems (ITS) are pivotal in the development of sustainable and green urban living. ITS is data-driven and enabled by the profusion of sensors ranging from pneumatic tubes to smart cameras. This work explores a novel data source based on optical fibre-based distributed acoustic sensors (DAS) for traffic analysis. Detecting the type of vehicle and estimating the occupancy of vehicles are prime concerns in ITS. The first is motivated by the need for tracking, controlling, and forecasting traffic flow. The second targets the regulation of high occupancy vehicle lanes in an attempt to reduce emissions and congestion. These tasks are often conducted by individuals inspecting vehicles or through the use of emerging computer vision technologies. The former is not scale-able nor efficient whereas the latter is intrusive to passengers' privacy. To this end, we propose a deep learning technique to analyse DAS signals to address this challenge through continuous sensing and without exposing personal information. We propose a deep learning method for processing DAS signals and achieve 92% vehicle classification accuracy and 92-97% in occupancy detection based on DAS data collected under controlled conditions.

研究の動機と目的

• インテリジェント交通システム（ITS）における車両種別と乗車定員推定のスケーラブルでプライバシー保護型の手法を開発すること。
• 既存の光ファイバーインfraストラクチャを分散音響センサ（DAS）として活用し、継続的かつリアルタイムな交通監視を可能にすること。
• 監視カメラ手法の限界、例えば高コスト、プライバシー懸念、監視盲点を解消すること。
• DAS信号が深層学習を用いて正確な車両種別と乗車定員推定に十分な空間的・時間的特徴を含んでいることを実証すること。

提案手法

• 本システムは、光ファイバー線路を介して収集された生のDAS信号から空間的・時間的特徴を抽出するために、1次元および2次元畳み込みニューラルネットワーク（CNN）を用いる。
• 1D-CNNは時系列DAS波形を処理して車両サイズと乗車定員を分類するが、2D-CNNはスペクトログラム表現を用いて特徴学習を向上させる。
• 過学習を軽減するためにトレーニング中にデータ拡張とドロップアウト層を適用したが、データセットサイズが小さいため、その有効性は限定的であると示唆されている。
• モデルは、異なる速度と乗車定員で走行された5台の車両からの制御された実験データを用いてトレーニングされ、別個の未観測データセットを用いた検証も実施された。
• 分類性能の向上を図るため、DAS信号からスペクトログラムを生成し、時間的・周波数的分解能を向上させた。
• ハイパーパramータチューニングと早期停止を用いてモデル収束を最適化し、特に5クラス分類タスクにおいて有効であった。

Figure 1: Ten highlighted lines show car moving at a constant speed of 60 km/h. Each line is labelled with the number of passengers (RC-Mix).

実験結果

リサーチクエスチョン

• RQ1 光ファイバー線路からのDAS信号は、インテリジェント交通システムにおける車両種別と乗車定員レベルの推定に有効に利用可能か？
• RQ2 個人情報の露呈を防ぎつつ、DAS信号は車両サイズと乗車者数に関する情報をどれほど保持しているか？
• RQ3 訓練データと独立した未観測テストデータとの間で、モデル性能はどのように変動するか。特に乗車定員推定においては？
• RQ4 情報量が限られ、ノイズが多い1次元DAS信号においても、1D-CNNは顕著な特徴を効果的に抽出できるか？
• RQ5 異なる車両速度と乗車定員が、モデルの異なる車両種別の一般化能力に与える影響はいかほどか？

主な発見

• 1D-CNNは主要データセット（AllCars-1p）で92%の正確性を達成し、大型車では89%、小型車では94%の正確性を示した。
• 訓練データでは乗車定員検出が97%の正確性を達成したが、独立したテストセットでは38%に低下し、顕著な過学習が示された。
• 訓練データでは車両種別分類が92%の正確性を示したが、独立した検証データでは64%に低下し、過学習の問題が確認された。
• RC-60-Mixデータセットでは、車両サイズ分類の正確性が72%を維持し、乗車者数の変動に対してもモデルの頑健性が示された。
• 1D-CNNは2D-CNNよりも計算効率に優れるが、1次元サンプルに含まれる情報量が限られるため、特徴抽出に苦労している。
• 速度関連特徴が支配的であるにもかかわらず、モデルは車両サイズを効果的に区別できた。これは、DAS信号が車両の構造的・動的特性をエンコードしている可能性を示唆している。

Figure 2: Section of DAS collected data for 50 km/h experiment showing the five target vehicles in addition to two unwanted ones (taken from AllCars-1p).