[論文レビュー] Spatial Deep Deconvolution U-Net for Traffic Analyses with Distributed Acoustic Sensing

Siyuan Yuan, Martijn van den Ende+5 more|arXiv (Cornell University)|Dec 7, 2022

Advanced Fiber Optic Sensors被引用数 4

ひとこと要約

本論文では、車両に起因するひずみ信号を車両ウェーブレットを用いた空間的デコンボリューションによって高分解能パルスに圧縮することで、分散光線センシング（DAS）を用いた交通モニタリングを向上させる自己教師付き空間的ディープデコンボリューションU-Netモデルを提案する。この手法により、車両速度に依存しない空間ドメインにおけるデコンボリューションを活用することで、混雑した交通状況下でも分解能と耐障害性が向上し、密接に並ぶ車両や大型車両の正確な追跡と特徴抽出が可能になる。

ABSTRACT

Distributed Acoustic Sensing (DAS) that transforms city-wide fiber-optic cables into a large-scale strain sensing array has shown the potential to revolutionize urban traffic monitoring by providing a fine-grained, scalable, and low-maintenance monitoring solution. However, the real-world application of DAS is hindered by challenges such as noise contamination and interference among closely traveling cars. In response, we introduce a self-supervised U-Net model that can suppress background noise and compress car-induced DAS signals into high-resolution pulses through spatial deconvolution. Our work extends recent research by introducing three key advancements. Firstly, we perform a comprehensive resolution analysis of DAS-recorded traffic signals, laying a theoretical foundation for our approach. Secondly, we incorporate space-domain vehicle wavelets into our U-Net model, enabling consistent high-resolution outputs regardless of vehicle speed variations. Finally, we employ L-2 norm regularization in the loss function, enhancing our model's sensitivity to weaker signals from vehicles in remote traffic lanes. We evaluate the effectiveness and robustness of our method through field recordings under different traffic conditions and various driving speeds. Our results show that our method can enhance the spatial-temporal resolution and better resolve closely traveling cars. The spatial deconvolution U-Net model also enables the characterization of large-size vehicles to identify axle numbers and estimate the vehicle length. Monitoring large-size vehicles also benefits imaging deep earth by leveraging the surface waves induced by the dynamic vehicle-road interaction.

研究の動機と目的

• 都市部におけるDASベースの交通モニタリングにおける低空間的・時間的分解能と信号干渉の課題に対処すること。
• 背景ノイズを低減し、重複する車両信号を鋭い解像可能なパルスに圧縮することで、追跡性能を向上させること。
• 車両速度の変動に対して不変である空間ドメインにおけるデコンボリューションを活用し、自己教師付きU-Netモデルを構築すること。
• 表面波抽出を介して地下画像化に応用可能な可能性を考慮し、大型車両の正確な検出と特徴抽出を可能にすること。
• ファイバーに沿った車両インパulse応答における空間的非定常性が引き起こす制限を克服すること。

提案手法

• 車両に起因するひずみ信号の事前定義された空間的ウェーブレットモデルを用いて、自己教師付きU-Netアーキテクチャを空間的デコンボリューションを実行するように訓練する。
• 固定された空間的インパulse応答カーネルを用いる空間ドメインデコンボリューションアプローチを採用し、車両速度に依存しない信号圧縮を実現する。
• 弱い信号（遠方または遅い移動車両由来）に敏感になるように、損失関数にL-2ノルム正則化を適用する。
• 特定のファイバー位置における複数回の車両通過の統計的平均を用いて、近接表面結合性やファイバー特性の非定常性に対処する空間ウェーブレットを推定する。
• 分解能が低い領域では、局所的な波形推定値を用いてモデルを再訓練し、不均一な環境下での性能向上を図る。
• サンホセ市街地に設置された50 kmのDASアレイから得られた実地記録を用いて、実世界の交通状況下での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 U-Netアーキテクチャにおける空間ドメインデコンボリューションは、混雑した都市部交通状況下でのDASベースの車両追跡における分解能と耐障害性を向上させ得るか？
• RQ2 可変な車両速度下でも、時間ドメインデコンボリューションと比較して、固定された空間的ウェーブレットの使用が性能にどのように寄与するか？
• RQ3 モデルは、密接に並ぶ車両をどの程度解像可能にし、大型車両（例：バス）を正確に特徴づけられるか？
• RQ4 車両インパulse応答における空間的非定常性はデコンボリューション性能にどのように影響を及ぼし、局所的ウェーブレット推定によって是正可能か？
• RQ5 モデルは信号対雑音比を向上させ、低周波数の表面波を抽出可能にし、地下画像化に応用可能か？

主な発見

• 提案された空間的ディープデコンボリューションU-Netモデルは、DAS記録された交通信号の空間的・時間的分解能を顕著に向上させ、密接に走行する車両の明確な分離を可能にした。
• 空間ドメインデコンボリューションの不変性のおかげで、車両速度の変動にかかわらず、モデルは高い耐障害性を示した。
• デコンボリューションの結果、特に高密度交通状況下で、パルスの鋭さが向上し、干渉が低減した。
• モデルはバスなどの大型車両を効果的に解像し、アキシル数や車両長の推定が可能になった。これにより、地下画像化に応用可能な表面波抽出が可能になった。
• 複数回の車両通過の平均を用いた局所的ウェーブレット推定により、空間的非定常性に起因する分解能の低い領域のデコンボリューション品質が向上した。
• 局所的波形推定値を用いてモデルを再訓練した結果、従来分解能が低かった領域でもより鋭いデコンボリューション結果が得られ、適応的カーネル推定の有効性が裏付けられた。