[论文解读] Intelligent Pothole Detection and Road Condition Assessment

Umang Bhatt, Shouvik Mani+2 more|arXiv (Cornell University)|Oct 6, 2017

Infrastructure Maintenance and MonitoringEngineering参考文献 3被引用 21

一句话总结

本文提出了一种基于智能手机加速度计和陀螺仪数据的实时移动系统，可检测路面坑洼并分类道路状况，对坑洼的准确率达92%，对道路质量的准确率达93%。通过利用众源传感器数据，该系统可生成详细的全市范围道路状况地图，以指导基础设施维护工作。

ABSTRACT

Poor road conditions are a public nuisance, causing passenger discomfort, damage to vehicles, and accidents. In the U.S., road-related conditions are a factor in 22,000 of the 42,000 traffic fatalities each year. Although we often complain about bad roads, we have no way to detect or report them at scale. To address this issue, we developed a system to detect potholes and assess road conditions in real-time. Our solution is a mobile application that captures data on a car's movement from gyroscope and accelerometer sensors in the phone. To assess roads using this sensor data, we trained SVM models to classify road conditions with 93% accuracy and potholes with 92% accuracy, beating the base rate for both problems. As the user drives, the models use the sensor data to classify whether the road is good or bad, and whether it contains potholes. Then, the classification results are used to create data-rich maps that illustrate road conditions across the city. Our system will empower civic officials to identify and repair damaged roads which inconvenience passengers and cause accidents. This paper details our data science process for collecting training data on real roads, transforming noisy sensor data into useful signals, training and evaluating machine learning models, and deploying those models to production through a real-time classification app. It also highlights how cities can use our system to crowdsource data and deliver road repair resources to areas in need.

研究动机与目标

• 为解决缺乏可扩展的坑洼和道路状况检测与报告方法的问题。
• 开发一款实时移动应用，利用智能手机传感器对道路状况进行分类并检测坑洼。
• 为市政部门创建数据丰富、基于众源的道路状况地图，以优先安排维修工作。
• 通过提供准确、可扩展且低成本的道路退化检测方法，改善城市基础设施维护。

提出的方法

• 使用两部iPhone 6S设备安装在一辆2007年款丰田普锐斯中采集训练数据，一部用于传感器记录，一部用于坑洼标注。
• 每秒捕获五组传感器读数，包括加速度计（x, y, z）、陀螺仪（x, y, z）、GPS和速度数据。
• 通过时间间隔聚合（道路状况为10秒间隔，坑洼为2秒间隔）将原始传感器数据转换为有意义的特征。
• 基于工程化特征训练支持向量机（SVM）模型，以对道路状况（良好/差）和坑洼（有/无）进行分类。
• 采用双应用程序架构，将数据采集与标注分离，减少数据丢失并提高可靠性。
• 通过聚合多个用户的实时分类结果，生成城市规模的道路状况地图。

实验结果

研究问题

• RQ1 智能手机加速度计和陀螺仪数据能否在实时情况下可靠地区分良好与不良道路状况？
• RQ2 基于传感器数据训练的机器学习模型能否以高准确率检测单个坑洼？
• RQ3 如何将移动设备上的众源传感器数据转化为可操作的、空间精确的道路状况地图？
• RQ4 哪些预处理和特征工程技术能提升在嘈杂、真实世界传感器数据上的分类性能？

主要发现

• SVM模型在将道路状况分类为良好或差方面达到了93%的准确率，显著优于基线率。
• 坑洼检测模型准确率达到92%，在真实驾驶数据上表现出色。
• 对道路状况采用10秒间隔、对坑洼采用2秒间隔的数据聚合，提升了模型的可解释性与性能。
• 该系统成功生成了详细且实时的道路状况地图，例如图11所示的匹兹堡地图，清晰展示了道路质量的空间差异。
• 双应用程序数据采集方法相比单设备解决方案，减少了数据丢失并提高了标注的可靠性。
• 本项目证明，智能手机传感器可作为传统道路检测方法的可扩展、低成本替代方案。