[論文レビュー] Smart Traffic Monitoring System using Computer Vision and Edge Computing

Guanxiong Liu, Hang Shi+6 more|arXiv (Cornell University)|Sep 7, 2021

Video Surveillance and Tracking Methods参考文献 28被引用数 7

ひとこと要約

本稿では、スマート交通監視のための二段階型エッジ・クラウドアーキテクチャを提案する。このアーキテクチャは、リソース制限のあるエッジクラウドレットと集中型交通管理センター（TMC）の間で、動的にビデオ処理をオフロードし、天候状況とネットワーク状態を考慮して混雑度と速度検出の最適化を図る。ハイブリッドモデルは、多様な現実世界の条件下でエッジオンリーやクラウドオンリーのアプローチを上回り、統計的検証により、悪質なネットワーク状態がクラウド性能を低下させ、雪の天候がエッジの正確性を損なうことが確認された。

ABSTRACT

Traffic management systems capture tremendous video data and leverage advances in video processing to detect and monitor traffic incidents. The collected data are traditionally forwarded to the traffic management center (TMC) for in-depth analysis and may thus exacerbate the network paths to the TMC. To alleviate such bottlenecks, we propose to utilize edge computing by equipping edge nodes that are close to cameras with computing resources (e.g. cloudlets). A cloudlet, with limited computing resources as compared to TMC, provides limited video processing capabilities. In this paper, we focus on two common traffic monitoring tasks, congestion detection, and speed detection, and propose a two-tier edge computing based model that takes into account of both the limited computing capability in cloudlets and the unstable network condition to the TMC. Our solution utilizes two algorithms for each task, one implemented at the edge and the other one at the TMC, which are designed with the consideration of different computing resources. While the TMC provides strong computation power, the video quality it receives depends on the underlying network conditions. On the other hand, the edge processes very high-quality video but with limited computing resources. Our model captures this trade-off. We evaluate the performance of the proposed two-tier model as well as the traffic monitoring algorithms via test-bed experiments under different weather as well as network conditions and show that our proposed hybrid edge-cloud solution outperforms both the cloud-only and edge-only solutions.

研究の動機と目的

• 集中型TMCへの連続的な映像送信が引き起こす帯域幅と遅延のボトル neck を解消すること。
• リアルタイム交通監視におけるエッジオンリー処理（計算能力の制限）とクラウドオンリー処理（ネットワーク依存性）の限界を軽減すること。
• 動的なネットワークおよび環境状態に基づいて、エッジとクラウド処理の間を知的に切り替える適応型システムを設計すること。
• さまざまな天候（快晴、雨天、雪天）およびネットワーク状態（良好、悪化）におけるハイブリッドモデルの性能を評価すること。
• ネットワーク品質と天候がエッジおよびクラウド方式の検出誤差率に与える影響を統計的に検証すること。

提案手法

• システムは二段階アーキテクチャを実装する：カメラの近くに配置されたエッジクラウドレットが軽量な映像処理を実行し、TMCが高負荷の計算処理を担当する。
• 混雑度と速度検出のため、各タスクに二つのアルゴリズムを展開する—一つはエッジ向け（低計算量）に最適化され、もう一つはTMC向け（高計算量）に最適化され、異なる計算およびネットワーク仮定に基づく。
• エッジは限られたリソースで高品質な映像をローカルに処理するが、TMCはネットワークの不安定さにより、低品質な映像を受け取る可能性がある。
• システムは、リアルタイムのネットワーク状態と天候状態に基づいて最適な処理段階を選択する動的スイッチングメカニズムを採用する。
• 本アプローチは、天候とネットワーク状態の6通りの組み合わせにおける実際の交通映像を用いたテストベッド実験により評価された。
• 誤差率に及ぼすネットワークおよび天候の影響の有意性を検証するために、分散分析（ANOVA）を統計的分析に用いた。

実験結果

リサーチクエスチョン

• RQ1 リアルタイム映像処理下でのネットワーク品質が、クラウドベースの交通監視の正確性にどのように影響するか？
• RQ2 特に雪天の場合、悪質な天候がエッジベースの映像処理の性能にどのように影響するか？
• RQ3 変動する条件下で、ハイブリッドエッジ・クラウドアーキテクチャはエッジオンリーおよびクラウドオンリーのソリューションを上回る性能を示せるか？
• RQ4 ネットワーク状態と天候がエッジおよびクラウド処理方式の誤差率に与える統計的有意性は何か？
• RQ5 性能とリソース制約のバランスを取るために、処理をどのように適応的にエッジとクラウド間でオフロードできるか？

主な発見

• 悪質なネットワーク状態はクラウドオンリーサイズの誤差率を顕著に増加させ、混雑度検出ではp値1.26e−12、速度検出では4.43e−83であり、強い統計的相関が示された。
• 雪天の天候はエッジ処理のパフォーマンスを顕著に低下させ、混雑度検出ではp値1.53e−3、速度検出では2.47e−23であり、統計的に有意な悪影響が確認された。
• 提案されたハイブリッドエッジ・クラウドモデルは、テストされたすべての天候およびネットワーク状態でエッジオンリーおよびクラウドオンリーのソリューションを上回り、優れた耐障害性を示した。
• 分散分析（ANOVA）の結果、ネットワーク品質と天候がパフォーマンスを決定づける主要要因であることが確認され、適応型処理戦略の必要性が裏付けられた。
• ハイブリッドモデルは、リアルタイムの状態に応じて処理を切り替えることで、個々のアプローチの欠点を効果的に是正し、最適なパフォーマンスを達成した。
• 本研究では、雨天と快晴の天候が検出正確性に与える影響が類似しており、統計モデルにおいて単一のカテゴリに統合された。