[论文解读] 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 4

一句话总结

本文提出一种自监督空间深度反卷积U-Net模型，通过利用车辆波束在空间域进行反卷积，将车辆引起的应变信号压缩为高分辨率脉冲，从而提升基于分布式声学传感（DAS）的交通监控性能。该方法通过利用对车辆速度不变的空间域反卷积，提高了密集交通中的分辨率和鲁棒性，实现了对近距离车辆及大型车辆的精确跟踪与表征。

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.

研究动机与目标

• 解决城市DAS基交通监控中空间-时间分辨率低和信号干扰的问题。
• 抑制背景噪声，并将重叠的车辆信号压缩为清晰可分辨的脉冲，以提升跟踪性能。
• 开发一种自监督U-Net模型，通过空间域反卷积实现对车辆速度变化的不变性。
• 实现对大型车辆的精确检测与表征，以支持通过表面波提取进行地下成像。
• 克服由于光纤上车辆脉冲响应的空间非平稳性带来的限制。

提出的方法

• 使用预定义的车辆引起应变信号的空间波束模型，训练自监督U-Net架构以执行空间反卷积。
• 采用空间域反卷积方法，使用固定的空间脉冲响应核将信号压缩为尖锐脉冲，确保对车辆速度的不变性。
• 在损失函数中应用L-2范数正则化，以增强对远距离或低速车辆弱信号的敏感性。
• 通过在特定光纤位置多次车辆通过的统计平均估计空间波束，以解决近地表耦合和光纤特性引起的非平稳性问题。
• 在分辨率较差的区域，使用位置特定的波束重新训练模型，以提升在异质环境中的性能。
• 使用位于圣何塞市中心的50公里DAS阵列的实地记录数据，在真实交通条件下评估性能。

实验结果

研究问题

• RQ1 U-Net架构中的空间域反卷积能否提升密集城市交通中DAS基车辆跟踪的空间-时间分辨率和鲁棒性？
• RQ2 与时域反卷积相比，使用固定空间波束在不同车辆速度下能否提升性能？
• RQ3 该模型在多大程度上能分辨近距离车辆，并准确表征大型车辆（如公共汽车）？
• RQ4 车辆脉冲响应的空间非平稳性在多大程度上影响反卷积性能？是否可通过局部波束估计加以缓解？
• RQ5 该模型能否提升信噪比，并实现低频表面波的提取以支持地下成像？

主要发现

• 所提出的空间深度反卷积U-Net模型显著提升了DAS记录交通信号的空间-时间分辨率，实现了对近距离行驶车辆的更清晰分离。
• 由于空间域反卷积对速度变化具有不变性，该模型在不同车辆速度下均表现出鲁棒性能。
• 反卷积结果表现出脉冲更尖锐、干扰更少，尤其在高密度交通场景中表现突出。
• 该模型成功分辨出大型车辆（如公共汽车），可估计轴数和车辆长度，支持通过表面波提取实现地下成像。
• 通过多次车辆通过的平均实现的局部波束估计，改善了因空间非平稳性导致分辨率较差区域的反卷积质量。
• 使用位置特定波束对模型进行再训练后，此前分辨率较差区域的反卷积结果更加清晰，证实了自适应核估计的有效性。