[论文解读] Spot-Wise Smart Parking: An Edge-Enabled Architecture with YOLOv11 and Digital Twin Integration

Gustavo P. C. P. da Luz, Alvaro M. Aspilcueta Narvaez+4 more|arXiv (Cornell University)|Feb 2, 2026

Smart Parking Systems Research被引用 0

一句话总结

本工作提出一种基于 Raspberry Pi 的 spot-wise 边缘部署智能停车系统，使用 YOLOv11m，具备自适应边界框分割、基于距离的车位分配，以及 towards Digital Twin 的数字影子（Digital Shadow），并在改造的电视盒上部署应用服务器以实现可扩展的数据共享与可视化。

ABSTRACT

Smart parking systems help reduce congestion and minimize users' search time, thereby contributing to smart city adoption and enhancing urban mobility. In previous works, we presented a system developed on a university campus to monitor parking availability by estimating the number of free spaces from vehicle counts within a region of interest. Although this approach achieved good accuracy, it restricted the system's ability to provide spot-level insights and support more advanced applications. To overcome this limitation, we extend the system with a spot-wise monitoring strategy based on a distance-aware matching method with spatial tolerance, enhanced through an Adaptive Bounding Box Partitioning method for challenging spaces. The proposed approach achieves a balanced accuracy of 98.80% while maintaining an inference time of 8 seconds on a resource-constrained edge device, enhancing the capabilities of YOLOv11m, a model that has a size of 40.5 MB. In addition, two new components were introduced: (i) a Digital Shadow that visually represents parking lot entities as a base to evolve to a full Digital Twin, and (ii) an application support server based on a repurposed TV box. The latter not only enables scalable communication among cloud services, the parking totem, and a bot that provides detailed spot occupancy statistics, but also promotes hardware reuse as a step towards greater sustainability.

研究动机与目标

• 通过在定义的 ROI 内实现逐位车位占用检测，降低驾驶员寻找车位的时间与城市拥堵。
• 在资源受限设备上实现边缘推断，以保护隐私并降低延迟。
• 引入数字影子与 NGSI-LD/Smart Data Model 基础，迈向智能校园停车的数字孪生。
• 提供一个可互操作的架构，支持可视化、数据共享，以及未来数字孪生能力。

提出的方法

• 在树莓派上部署 YOLOv11m-TFLite 以实现 ROI 内的实时停车检测。
• 使用基于距离的匹配方法，在阈值 δ 内以最近的中心点将检测结果分配到车位。
• 应用自适应边界框分割方法，在关键区域将大目标分割以提升车位分配的鲁棒性。
• 将 ROI 掩码与后处理管线结合，生成用于停车占用传输的紧凑二进制位掩码。
• 引入数字影子组件和基于 NGSI-LD 的数据建模，以实现标准化、可互操作的可视化和未来数字孪生演化。
• 使用改造的电视盒作为应用支持服务器，编排云端通信、到来提示更新，以及用于监控的 Telegram 机器人。

实验结果

研究问题

• RQ1 在边缘设备上使用预训练的 YOLOv11m 与距离基的车位分配方法，车位级占用推断的准确性有多高？
• RQ2 自适应边界框分割对在具有挑战性的停车布局中的推断准确性与鲁棒性有何影响？
• RQ3 如何将数字影子框架与 NGSI-LD 和智能数据模型集成，以实现可互操作的未来数字孪生能力用于智能校园停车？
• RQ4 本地的边缘+电视盒架构是否能在无需云端推断的情况下，提供可靠、可扩展、低延迟的停车监控与可视化？

主要发现

• 车位级占用检测的平衡准确率为 98.80%。
• 在资源受限的边缘设备（树莓派）上推断时间为 8 秒。
• 系统使用 YOLOv11m， footprint 为 40.5 MB，完全在边缘端运行，提升隐私与时延优势。
• 引入数字影子作为完整数字孪生前兆，借助 FIWARE 框架，通过 NGSI-LD 实现标准化可视化与数据交换。
• 改造的电视盒应用支持服务器实现云服务、停车铭牌与机器人之间的可扩展通信，促进硬件再利用与可持续性。