[논문 리뷰] Crowdsourcing On-street Parking Space Detection

Ruizhi Liao, Cristian Román외 3명|arXiv (Cornell University)|2016. 03. 01.

Smart Parking Systems Research참고 문헌 8인용 수 9

한 줄 요약

이 논문은 차량에 장착된 초음파 센서와 GPS를 사용하여 도로변 주차 상태를 감지하는 컨소시엄 기반 실내 주차 감지 시스템인 CroPark을 제안한다. 사용자 기반 데이터 수집과 지도 학습을 활용함으로써 고정형 센서 시스템 대비 센서 배치 수를 최대 99% 감소시켜 비용을 크게 절감하고 도시 주차 효율성을 향상시킨다.

ABSTRACT

As the number of vehicles continues to grow, parking spaces are at a premium in city streets. Additionally, due to the lack of knowledge about street parking spaces, heuristic circling the blocks not only costs drivers' time and fuel, but also increases city congestion. In the wake of recent trend to build convenient, green and energy-efficient smart cities, we rethink common techniques adopted by high-profile smart parking systems, and present a user-engaged (crowdsourcing) and sonar-based prototype to identify urban on-street parking spaces. The prototype includes an ultrasonic sensor, a GPS receiver and associated Arduino micro-controllers. It is mounted on the passenger side of a car to measure the distance from the vehicle to the nearest roadside obstacle. Multiple road tests are conducted around Wheatley, Oxford to gather results and emulate the crowdsourcing approach. By extracting parked vehicles' features from the collected trace, a supervised learning algorithm is developed to estimate roadside parking occupancy and spot illegal parking vehicles. A quantity estimation model is derived to calculate the required number of sensing units to cover urban streets. The estimation is quantitatively compared to a fixed sensing solution. The results show that the crowdsourcing way would need substantially fewer sensors compared to the fixed sensing system.

연구 동기 및 목표

• 운전자가 도로변 주차 공간을 찾기 위해 빈번히 왔다 갔다 하며 발생하는 도시 주차 혼잡 문제를 해결하기 위해.
• 도로 주차 모니터링을 위한 고정형 센서 배치의 비용 및 확장성 문제를 줄이기 위해.
• 사용자 차량을 이동식 감지 플랫폼으로 활용하여 실시간 주차 점유율 데이터를 수집하기 위해.
• 주차 가능 여부를 추정하고 불법 주차를 탐지할 수 있는 지도 학습 모델을 개발하기 위해.
• 도시를 커버하기 위해 필요한 CroPark 단위 수를 정량적으로 추정하는 모델을 도출하기 위해.

제안 방법

• 차량에 초음파 센서와 GPS를 장착하여 도로변 장애물까지의 거리, 위치, 속도, 타임스탬프를 측정하기 위해.
• 소나 트레이스 패턴을 기반으로 감지된 물체를 주차된 차량 또는 빈 공간으로 분류하기 위해 지도 학습 알고리즘을 사용하기 위해.
• 소나 트레이스에서 특징을 추출하여 주차 점유율을 추정하고 불법 주차를 탐지하기 위해.
• 필요한 CroPark 단위 수를 계산하기 위해 양적 추정 모델을 적용하기 위해: m = L / (ν × (1/τ) × γ), 여기서 L은 총 도로 길이, ν는 차량 속도, τ는 업데이트 주기, γ는 감지 정확도이다.
• 중앙 서버로 전송되는 것은 주차된 차량, 빈 공간, GPS, 속도, 시간 등의 해석된 데이터뿐이 되어 동적 주차 점유율 지ap을 구축하기 위해.
• 모바일 앱이나 웹 포털을 통해 운전자 및 단속 기관에 최신 주차 가능 정보를 제공하기 위해.

실험 결과

연구 질문

• RQ1 초음파 센서를 사용한 저비용 이동식 감지 기술로 도로 주차 점유율을 어떻게 감지할 수 있는가?
• RQ2 도시 도로를 신뢰할 만큼 커버하기 위해 필요한 이동식 감지 단위의 수는 얼마인가?
• RQ3 고정형 센서 배치 대비 컨소시엄 기반 감지 모델의 성능은 센서 수와 정확도 측면에서 어떻게 비교되는가?
• RQ4 지도 학습이 소나 트레이스에서 주차 공간을 효과적으로 분류하고 불법 주차를 탐지하는 데에 적합한가?
• RQ5 업데이트 주기와 차량 속도가 필요한 CroPark 단위 수에 어떤 영향을 미치는가?

주요 결과

• 실제 도로 주행 테스트에서 CroPark 시스템은 옥스포드 웨이틀리 지역에서 87.9%의 차량 감지 정확도를 달성했다.
• 샌프란시스코 상부 이스트 지역(19.26 km²)의 경우, CroPark는 2분 간격의 점유율 지도 업데이트 빈도를 확보하기 위해 단 328대의 단위만 필요하며, SFpark 시범 프로젝트의 고정형 센서 12,000대 대비 훨씬 적은 수의 센서를 요구한다.
• 컨소시엄 기반 접근 방식은 고정형 감지 솔루션 대비 필요 센서 단위를 약 99% 감소시킨다.
• 모델 분석 결과, 업데이트 주기나 차량 속도를 높일수록 필요한 CroPark 단위 수가 감소하는 반면, 높은 감지 정확도는 필요 수를 증가시킨다.
• 소나 트레이스 분석과 GPS 데이터를 활용해 가용 주차 공간과 불법 주차된 차량을 효과적으로 식별할 수 있다.
• 추정 모델은 주차 베이 수나 공간 분포에 의존하지 않으며, 도로 길이, 속도, 업데이트 주기, 감지 정확도만을 기반으로 한다.