[論文レビュー] Crowdsourcing On-street Parking Space Detection

Ruizhi Liao, Cristian Román+3 more|arXiv (Cornell University)|Mar 1, 2016

Smart Parking Systems Research参考文献 8被引用数 9

ひとこと要約

本稿では、車両に搭載された超音波センサーやGPSを活用して路上駐車状況を検出する、クラウドソーシング型の路上駐車検出システムCroParkを提案する。ユーザー主導のデータ収集と教師あり学習を活用することで、固定センサーシステムと比較してセンサー設置数を最大99％削減でき、コストを著しく削減するとともに都市部の駐車効率を向上させる。

ABSTRACT

As the number of vehicles continues to grow, parking spaces are at a premium in city streets. Additionally, due to the lack of knowledge about street parking spaces, heuristic circling the blocks not only costs drivers' time and fuel, but also increases city congestion. In the wake of recent trend to build convenient, green and energy-efficient smart cities, we rethink common techniques adopted by high-profile smart parking systems, and present a user-engaged (crowdsourcing) and sonar-based prototype to identify urban on-street parking spaces. The prototype includes an ultrasonic sensor, a GPS receiver and associated Arduino micro-controllers. It is mounted on the passenger side of a car to measure the distance from the vehicle to the nearest roadside obstacle. Multiple road tests are conducted around Wheatley, Oxford to gather results and emulate the crowdsourcing approach. By extracting parked vehicles' features from the collected trace, a supervised learning algorithm is developed to estimate roadside parking occupancy and spot illegal parking vehicles. A quantity estimation model is derived to calculate the required number of sensing units to cover urban streets. The estimation is quantitatively compared to a fixed sensing solution. The results show that the crowdsourcing way would need substantially fewer sensors compared to the fixed sensing system.

研究の動機と目的

• 路上駐車スペースを巡る運転が原因となる都市部の駐車混雑を解消すること。
• 路上駐車監視のための固定センサー設置におけるコストとスケーラビリティの課題を軽減すること。
• ユーザーの車両をモバイルセンシングプラットフォームとして活用し、リアルタイムの駐車状況データを収集すること。
• 駐車可能状況の推定と違法駐車の検出を可能にする教師あり学習モデルの開発。
• 都市全体をカバーするためのCroParkユニット数を定量的に推定するモデルの構築。

提案手法

• 車両に超音波センサーやGPSを搭載し、レーン側の障害物までの距離を測定するとともに、位置、速度、タイムスタンプを記録する。
• 教師あり学習アルゴリズムを用いて、ソナーのトレースパターンに基づき検出された物体を「駐車中の車両」と「空きスペース」に分類する。
• ソナーのトレースから特徴量を抽出し、駐車状況の占有率を推定し、違法駐車を検出する。
• 必要ユニット数を算出するための数量推定モデルを適用：m = L / (ν × (1/τ) × γ)、ここでLは全道路長、νは車両速度、τは更新頻度、γは検出精度。
• 中央サーバーに送信するのは、駐車中の車両、空きスペース、GPS、速度、時刻といった解釈済みデータのみであり、動的な駐車状況マップを構築する。
• 移動端末アプリやWebポータルを通じて、ドライバーや執行機関に更新された駐車状況を提供する。

実験結果

リサーチクエスチョン

• RQ1 超音波センサーや低コストのモバイルセンシングを用いて、どのようにして路上駐車状況を検出できるか？
• RQ2 都市部の道路を信頼性高くカバーするには、何台のモバイルセンシングユニットが必要か？
• RQ3 固定センサーよりもクラウドソーシング型センシングモデルのセンサー数と精度の面で、どのような差異が生じるか？
• RQ4 教師あり学習は、ソナーのトレースから駐車スペースを効果的に分類し、違法駐車を検出できるか？
• RQ5 更新頻度や車両速度の変化が、必要なCroParkユニット数に与える影響は何か？

主な発見

• 実際の走行テストにおいて、オックスフォード・ウェイツリーでのCroParkシステムは、車両検出精度が87.9％に達した。
• サンフランシスコの上エスト地区（19.26 km²）では、2分ごとの駐車状況マップ更新頻度を達成するためのCroParkユニットは328台で十分であり、SFparkパイロットで使用された12,000台の固定センサーと比較して大幅に削減された。
• クラウドソーシング手法により、固定センシングソリューションと比較して必要なセンサー単位数を約99％削減できる。
• モデルの結果から、更新頻度や車両速度を向上させると、必要なCroParkユニット数が減少する一方、検出精度を高めると必要数が増加することが分かった。
• ソナーのトレース解析とGPSデータを活用することで、利用可能な駐車場所と違法駐車中の車両を効果的に同定できる。
• 推定モデルは駐車ボックスの数や空間的分布に依存せず、道路長、速度、更新頻度、検出精度にのみ依存する。