[論文レビュー] Intelligent Pothole Detection and Road Condition Assessment

Umang Bhatt, Shouvik Mani+2 more|arXiv (Cornell University)|Oct 6, 2017

Infrastructure Maintenance and MonitoringEngineering参考文献 3被引用数 21

ひとこと要約

本稿では、スマートフォンの加速度計およびジャイロスコープのデータを用いて、リアルタイムで路盤のくぼみを検出し、道路状態を分類するモバイルシステムを提示する。路盤の検出には92%、道路状態の分類には93%の正確性を達成した。クラウドソーシングされたセンサデータを活用することで、都市規模の道路状態マップを生成し、インfra構造の保守を支援する。

ABSTRACT

Poor road conditions are a public nuisance, causing passenger discomfort, damage to vehicles, and accidents. In the U.S., road-related conditions are a factor in 22,000 of the 42,000 traffic fatalities each year. Although we often complain about bad roads, we have no way to detect or report them at scale. To address this issue, we developed a system to detect potholes and assess road conditions in real-time. Our solution is a mobile application that captures data on a car's movement from gyroscope and accelerometer sensors in the phone. To assess roads using this sensor data, we trained SVM models to classify road conditions with 93% accuracy and potholes with 92% accuracy, beating the base rate for both problems. As the user drives, the models use the sensor data to classify whether the road is good or bad, and whether it contains potholes. Then, the classification results are used to create data-rich maps that illustrate road conditions across the city. Our system will empower civic officials to identify and repair damaged roads which inconvenience passengers and cause accidents. This paper details our data science process for collecting training data on real roads, transforming noisy sensor data into useful signals, training and evaluating machine learning models, and deploying those models to production through a real-time classification app. It also highlights how cities can use our system to crowdsource data and deliver road repair resources to areas in need.

研究の動機と目的

• くぼみや道路状態の悪化を効率的かつスケーラブルに検出・報告する方法の不足に対処すること。
• スマートフォンのセンサデータを活用して、道路状態を分類し、くぼみを検出するリアルタイムモバイルアプリケーションを開発すること。
• 市民当局が修理を優先順位付けできる、データ豊富でクラウドソーシング型の道路状態マップを構築すること。
• 道路劣化の正確でスケーラブルかつ低コストな検出を提供することで、都市インfraの保守を改善すること。

提案手法

• 2007年式トヨタ・プリウスに取り付けた2台のiPhone 6Sを用いて、訓練データを収集。1台はセンサログ用、もう1台はくぼみのアノテーション用に使用。
• 1秒間に5回のセンサ読み取り値を取得。加速度計（x, y, z）、ジャイロスコープ（x, y, z）、GPS、速度データを含む。
• 時間間隔集約（道路状態は10秒間隔、くぼみは2秒間隔）を用いて、生のセンサデータを意味のある特徴量に変換。
• エンジニアリングされた特徴量を用いてサポートベクターマシン（SVM）モデルを訓練し、道路状態（良好／不良）およびくぼみ（有／無）を分類。
• データ収集とアノテーションを分離する二重アプリアーキテクチャを採用し、データ損失を低減し、信頼性を向上。
• 複数ユーザーからのリアルタイム分類結果を集約して、都市規模の道路状態マップを生成。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンの加速度計およびジャイロスコープのデータは、リアルタイムで良好な道路状態と不良な道路状態を信頼性高く区別できるか？
• RQ2 センサデータで訓練された機械学習モデルは、実世界の走行データにおいて個々のくぼみを高い正確性で検出できるか？
• RQ3 モバイルデバイスからのクラウドソーシングされたセンサデータは、どのようにして実行可能で空間的に正確な道路状態マップに変換できるか？
• RQ4 ノイズが多く、実世界のセンサデータにおいて分類性能を向上させるために、どのような前処理および特徴工学的手法が有効か？

主な発見

• SVMモデルは、道路状態を良好／不良に分類する際、93%の正確性を達成し、ベースレートを著しく上回った。
• くぼみ検出モデルは92%の正確性を達成し、実世界の走行データにおいて優れた性能を示した。
• 10秒間隔でセンサデータを集約して道路状態を評価し、2秒間隔でくぼみを評価することで、モデルの解釈可能性と性能が向上した。
• 本システムは、図11に示すピッツバーグのマップのように、詳細でリアルタイムの道路状態マップを効果的に生成した。これは、道路品質の空間的ばらつきを明確に示している。
• 二重アプリのデータ収集アプローチにより、単一デバイスソリューションと比較して、データ損失が低減され、アノテーションの信頼性が向上した。
• 本プロジェクトは、スマートフォンのセンサが、従来の道路点検方法に代わるスケーラブルで低コストな代替手段として機能できることを実証した。