[論文レビュー] Road Roughness Estimation Using Machine Learning

M. Bajic, Shahrzad M. Pour+4 more|arXiv (Cornell University)|Jul 2, 2021

Infrastructure Maintenance and Monitoring参考文献 50被引用数 16

ひとこと要約

本論文では、車両内センサー（特に垂直加速度と速度）を用いた機械学習パイプラインを提案し、道路の粗さを予測することで、道路網の連続的で低コストなモニタリングを可能にする。最も優れた性能を示したモデルは、多層パーセプトロン（MLP）であり、コペンハーゲンの50.3 kmの高速道路区間から得られた実世界データを用いた IRI 値予測において、R² が 0.66、RMSE が 0.21 を達成し、高い精度を示した。

ABSTRACT

Road roughness is a very important road condition for the infrastructure, as the roughness affects both the safety and ride comfort of passengers. The roads deteriorate over time which means the road roughness must be continuously monitored in order to have an accurate understand of the condition of the road infrastructure. In this paper, we propose a machine learning pipeline for road roughness prediction using the vertical acceleration of the car and the car speed. We compared well-known supervised machine learning models such as linear regression, naive Bayes, k-nearest neighbor, random forest, support vector machine, and the multi-layer perceptron neural network. The models are trained on an optimally selected set of features computed in the temporal and statistical domain. The results demonstrate that machine learning methods can accurately predict road roughness, using the recordings of the cost approachable in-vehicle sensors installed in conventional passenger cars. Our findings demonstrate that the technology is well suited to meet future pavement condition monitoring, by enabling continuous monitoring of a wide road network.

研究の動機と目的

• 標準的な車両内センサーからのデータを用いて、スケーラブルで低コストな連続的道路上粗さモニタリング手法の開発。
• 従来の頻度の低い道路調査の限界を克服し、リアルタイムでの舗装状態評価を可能にする。
• 車両の振動および速度データから国際粗さ指数（IRI）を予測するための複数の教師あり機械学習モデルの評価。
• モデルの汎化性能と性能を向上させるために、特徴量選択と次元削減の最適化。
• 市販の車両センサーを用いた大規模で自動化された道路網モニタリングの実現可能性の実証。

提案手法

• コペンハーゲンの M3 高速道路の 50.3 km の区間を走行する乗用車から、垂直加速度および速度データを収集。
• GPS 軌跡を OpenStreetMap（OSM）の道路網にマッピングするために、隠れマルコフモデル（HMM）を適用し、空間的精度を向上。
• 時間的および統計的特徴量（平均、標準偏差、尖度、特定周波数帯域内のエネルギーなど）をセンサデータから抽出。
• 最適な特徴量サブセットの特定と次元削減のために、逐次前進選択法（SFS）および主成分分析（PCA）を用いる。
• 線形回帰、ラasso、リッジ、エラスティック・ネット、k-NN、ランダムフォレスト、SVM、MLP などの複数の教師ありモデルを訓練および比較。
• 10分割交差検証と独立したホールドアウトテストセットを用いてモデルを評価し、R²、RMSE、適合率、再現率、F₁スコアなどの指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 専用機器を必要とせず、加速度計や速度計などの車両内センサーが、道路の粗さ（IRI）を正確に予測できるか。
• RQ2 車両センサーからのデータから連続的な IRI 値を予測し、IRI の深刻度レベルを分類する際に、どの機械学習モデルが最も優れた性能を示すか。
• RQ3 特徴量選択（SFS）および次元削減（PCA）手法が、モデルの性能と汎化能力にどのように影響するか。
• RQ4 従来の調査手法と比較して、提案されたパイプラインが、どの程度連続的かつ大規模な道路網モニタリングを可能にするか。
• RQ5 特に訓練データのサンプル数が少ない高粗さ値領域において、モデルの性能はどのように変動するか。

主な発見

• 多層パーセプトロン（MLP）が回帰において最も優れた性能を示し、テストセットにおける IRI 値予測で R² が 0.66、RMSE が 0.21 を達成した。
• IRI 分類においては、SVM およびロジスティック回帰モデルが F₁スコア 0.66、再現率 0.74 を記録し、順序的な深刻度レベルにおいて優れた性能を示した。
• 最も優れたモデルは一貫した予測傾向を示し、特に低～中程度の粗さ範囲では、実際の IRI 値とほぼ一致する予測値を出力していた。
• 高 IRI 値領域では、データセットにそのようなサンプルが少なかったため、性能がわずかに低下しており、データの不均衡問題が顕在化した。
• SFS を用いた特徴量選択と PCA を用いた次元削減により、すべてのモデルにおいてモデルの安定性と汎化能力が顕著に向上した。
• パイプラインは、標準的な車両内センサーが道路粗さを信頼性高く推定できることを示し、低コストでスケーラブルな連続的舗装状態モニタリングが可能であることを実証した。