[논문 리뷰] Spatial Deep Deconvolution U-Net for Traffic Analyses with Distributed Acoustic Sensing

Siyuan Yuan, Martijn van den Ende외 5명|arXiv (Cornell University)|2022. 12. 07.

Advanced Fiber Optic Sensors인용 수 4

한 줄 요약

이 논문은 차량에 의해 유도되는 변형 신호를 차량 파동함수를 사용한 공간 분리(deconvolution)를 통해 고해상도 펄스로 압축함으로써 분산 음향 센싱(DAS)을 이용한 교통 모니터링을 향상시키는 자기지도 학습 공간 딥 디컨볼루션 U-Net 모델을 제안한다. 이 방법은 차량 속도에 영향을 받지 않는 공간 도메인의 디컨볼루션을 활용하여 고밀도 교통 상황에서 해상도와 강인성을 향상시키며, 밀접하게 배치된 차량과 큰 차량의 정확한 추적 및 특성 분석을 가능하게 한다.

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.

연구 동기 및 목표

• 도시 DAS 기반 교통 모니터링에서 낮은 공간-시간 해상도와 신호 간섭 문제를 해결하기 위해.
• 배경 잡음을 억제하고 겹치는 차량 신호를 날카롭고 구분 가능한 펄스로 압축하여 추적 성능을 향상시키기 위해.
• 차량 속도 변화에 불변인 공간 도메인 디컨볼루션을 통해 자기지도 학습 U-Net 모델을 개발하기 위해.
• 표면파 추출을 통한 지하 이미징에 활용 가능한 잠재적 응용을 위해 대형 차량의 정확한 검출 및 특성 분석을 가능하게 하기 위해.
• 섬유 길이에 따라 차량 인과 신호 응답의 공간 비정상성으로 인한 제약를 극복하기 위해.

제안 방법

• 차량에 의해 유도되는 변형 신호의 사전 정의된 공간 파동함수 모델을 사용하여 공간 디컨볼루션을 수행하는 자기지도 학습 U-Net 아키텍처를 훈련시켰다.
• 고정된 공간 임펄스 응답 커널을 사용하여 공간 도메인 디컨볼루션 방법을 적용하여 신호를 날카운 펄스로 압축함으로써 차량 속도에 대한 불변성을 확보했다.
• 약한 신호(원거리 또는 느린 이동 차량에서 유도됨)에 대한 민감도를 향상시키기 위해 손실 함수에 L-2 노름 정규화를 적용했다.
• 특정 섬유 위치에서의 다수의 차량 통과를 통한 통계적 평균을 통해 근표면 결합 및 섬유 특성의 비정상성 문제를 해결하기 위해 공간 파동함수를 추정했다.
• 해상도가 떨어지는 지역에서는 지역별 파동함수를 사용하여 모델을 재훈련함으로써 이질적인 환경에서도 성능 향상을 달성했다.
• 실제 도시 교통 조건에서 성능을 평가하기 위해 샌호세 도심부의 50 km 길이 DAS 어레이에서 확보한 현장 기록을 사용했다.

실험 결과

연구 질문

• RQ1 U-Net 아키텍처 내 공간 도메인 디컨볼루션은 고밀도 도시 교통 상황에서 DAS 기반 차량 추적의 해상도와 강인성을 향상시키는가?
• RQ2 고정된 공간 파동함수를 사용할 경우 시간 도메인 디컨볼루션 대비 성능 향상이 어떻게 이루어지며, 특히 차량 속도가 변동하는 조건에서 어떤가?
• RQ3 모델이 서로 가까이 있는 차량을 얼마나 잘 구분하고, 천장이 높거나 큰 차량(예: 버스)을 정확하게 특성 분석할 수 있는가?
• RQ4 차량 인과 신호 응답의 공간 비정상성은 디컨볼루션 성능에 어떤 영향을 미치며, 局소화된 파동함수 추정을 통해 이를 완화할 수 있는가?
• RQ5 모델이 신호 대 잡음비를 향상시키고 저주파 표면파를 추출하여 지하 이미징에 활용할 수 있는가?

주요 결과

• 제안된 공간 딥 디컨볼루션 U-Net 모델은 DAS 기록된 교통 신호의 공간-시간 해상도를 크게 향상시켜 서로 가까이 운행하는 차량 간의 명확한 분리가 가능해졌다.
• 공간 도메인 디컨볼루션의 불변성 덕분에 다양한 차량 속도에서 강인한 성능을 달성했다.
• 디컨볼루션 결과는 특히 고밀도 교통 상황에서 펄스의 날카움이 향상되고 간섭이 감소한 것으로 나타났다.
• 버스와 같은 대형 차량도 성공적으로 구분하여 축 수와 차량 길이를 추정할 수 있었으며, 이는 지하 이미징을 위한 표면파 추출에 기여했다.
• 다수의 차량 통과를 통한 국소적 파동함수 추정은 공간 비정상성으로 인해 해상도가 떨어지는 지역에서 디컨볼루션 품질 향상에 기여했다.
• 지역별 파동함수를 사용하여 모델을 재훈련함으로써 이전에 해상도가 낮았던 영역에서도 더 날카운 디컨볼루션 결과를 도출했으며, 적응형 커널 추정의 효과성을 확인했다.