Что такое перехват? ... и где я могу парковать?

Когда-нибудь умные города могут использовать данные, собранные с использованием краудсорсинга, чтобы облегчить проблемы с парковкой. (Источник изображения: Омер Рана на Unsplash)

Вы опоздали на прием. Каким-то чудом вы сумеете поймать все зеленые огни на пути … и вы все еще опаздываете, потому что вы потратили 15 минут на круги своя в поисках парковки! Если вам повезет найти уличную парковку в крупном городе, вы, вероятно, скатываете кости, чтобы получить билет на парковку или нет. Даже более новые гаражи парков, которые показывают вам количество доступных мест, склонны посылать вас на дикие гусиные погони.

Группа исследователей из сингапурского технологического университета Наньян (NTU Singapore) считает, что решение для наших проблем с парковкой заключается в мобильной технологии сбора данных, называемой «толкование». Но парковка — это только первый шаг к использованию наших мобильных данных, чтобы сделать наши повседневные жизни более эффективными.

В 2016 году Джим Череян, старший инженер-исследователь в НТУ Сингапуре, провел исследование ParkGauge, метода использования перехвата данных для захвата данных мобильного телефона для отслеживания состояния автомобилей в гаражах. ParkGauge использует 3G, GPS и Wi-Fi для сбора данных от датчиков смартфона, включая его гироскоп, акселерометр и барометр, для определения состояния движения (то есть поворота или торможения). Основываясь на состоянии движения и достаточном количестве данных от других транспортных средств в гараже, алгоритм машинного обучения ParkGauge может определить, какие автомобили припаркованы, где они припаркованы и, вероятно, припарковаться, а также, где, скорее всего, будут доступны парковочные места. Это может быть доставлено в режиме реального времени не только на стоянке, но и в Интернете, чтобы пользователи могли понять ситуацию с парковкой до того, как они доберутся до нее.

Что такое перехват?

Большинство из них, вероятно, слышали о краудсорсинге и даже могли финансировать несколько проектов на таких сайтах, как Kickstarter или Indiegogo. Crowdsensing несколько похож на то, что он стремится использовать большие группы людей. Но то, что он хочет, это ваши данные, а не ваши деньги. «Crowdsensing относится к процессу сбора данных датчиков с помощью смарт-устройств из толпы участников. Это похоже на толпу подключенных датчиков на ходу. Другими словами, он просто ссылается на краудсорсинг данных датчиков для обеспечения и расширения возможностей специализированных приложений и услуг », — сказал Череан из NTU Design News . «Большинство усилий по расширению доступа осуществляется с использованием товарных мобильных устройств (таких как смартфоны или смартваты), и, следовательно, он также известен как« Мобильное перехват ».

Череан объяснил, что перехват обычно происходит в одной из двух форм. Существует широкое поглощение, в котором каждый пользователь вручную вводит данные. В противоположность этому, оппортунистическое толкование относится к автоматическому, неинтрузивному, «за кулисами» сбору данных — обычно без вмешательства пользователя или минимального вмешательства

«Участие в массовом поглощении происходит уже десятилетие или даже дольше, но часто это происходит из-за недостаточной мотивации и стимулов для пользователей», — сказал Череян. Некоторые могут вспомнить приложение под названием Open Spot, выпущенное Google еще в 2011 году. Сердце приложения было в нужном месте, но оно работало только в том случае, если пользователи вручную уведомили приложение о том, что они оставляют место для парковки. Это был цифровой эквивалент, позволяющий кому-то сообщить, что вы оставляете пространство. Но вежливость доходит до сих пор. Без непосредственности видеть кого-то, ищущего место, не было реального стимула для пользователей взаимодействовать с приложением.

У оппортунистических схем есть свои проблемы. Поскольку собранные данные, как правило, не проверяются или не контекстуализируются людьми, они могут создавать множество плохих или низкоточных данных и / или шума. Идея сбора данных, собранных в фоновом режиме, также объясняет понятные проблемы конфиденциальности пользователей.

ССЫЛКИ ПО ТЕМЕ:

Новый ARM-процессор устанавливает автономную безопасность на автомобиле на Forefront
Функциональная безопасность для автономных транспортных средств не является запоздалой мыслью
Может ли США победить в 5G?

. Ключевыми проблемами для перехвата, по словам Череан, является стимулирование пользователей, дискриминация уровней доверия и качества данных, а также обеспечение конфиденциальности данных. Если это будет сделано, Череян предположит, что использование большого количества людей может быть применено к различным приложениям за пределами парковки. «Существует несколько проблемных областей, где такие методы могут применяться», — сказал он. «Это включает в себя оценку пропусков трафика, предсказание остановленной продолжительности на сигнальных пересечениях и, в общем, почти любую проблему, которая включает в себя оценку сверхсостояния, которое может быть представлено как временная эволюция под-состояний в иерархическом порядке».

Однако препятствие конфиденциальности данных может быть важным, особенно в сегодняшнем климате после Cambridge Analytica. Существуют серьезные риски, связанные с любыми данными, касающимися местоположения и активности. Стоит ли рисковать разоблачать ваше местоположение в режиме реального времени незнакомцами в обмен на более плавный переход?

«Преодоление этих проблем при обеспечении хорошего качества обслуживания (т. Е. Дифференциальной конфиденциальности) является активной областью текущих исследований», — сказал Череян. «Типичные способы решения этой проблемы включают анонимность данных, обфускацию данных и случайную (случайную) выборку данных. Но достижение практических, эффективных, защищающих конфиденциальность схем рассеивания по-прежнему остается сложным предметом ». Исследование ParkGauge объясняет, что главная цель — максимально использовать как можно меньше данных в любом конкретном приложении:

«… В отличие от существующих парковочных систем, основанных на принципах массового уничтожения, которые непосредственно подсчитывают доступные парковочные места, ParkGauge не требует« толпы »(следовательно, высокого проникновения приложения) для обнаружения отдельных гаражей. Вместо этого для ParkGauge было бы достаточно минимального количества данных, полученных от небольшого числа пользователей для каждого парковочного гаража, чтобы предоставить полезную информацию, тогда как «толпа» нужна только для покрытия многих гаражей для парковки в большом городском районе ».

Из-за этого технологии, такие как ParkGauge, чаще всего развертываются в таких местах, как торговые центры, перед более широким развертыванием интеллектуального города.

Соединяющие толпы устройств

Cherian и его коллеги смогли провести свое первоначальное исследование с помощью ParkGauge, используя только низкоэнергетическое 3G-соединение. Разумеется, для большего развертывания потребуется более быстрое и быстрое подключение? Когда речь заходит о развертывании в масштабах всего города, публикация в целом выглядит как новый вариант использования для 5G.

«Потребность в пропускной способности и потреблении энергии является важными аспектами для рассмотрения и тонкой настройки продуктивного приложения для массового использования», — сказал Череян. «Эти требования варьируются в зависимости от приложения, уровня требуемой точности, количества передаваемых данных и скорости (как часто), при которой он должен быть передан для достижения определенного уровня качества обслуживания». Чейран сказал, что крупные -красные приложения и сервисы для компрессионных приложений могут поставляться с сегодняшним уровнем подключения, но более новые технологии, такие как 5G, могут только помочь.

При обсуждении транспортных средств естественный вопрос: в мире подключенных транспортных средств можно ли выводить смартфоны из уравнения целиком в пользу данных от автомобильных датчиков? «Данные датчика транспортного средства более надежны, и их можно получить с использованием разных методов. Но это потребует некоторого уровня техники в автомобиле, — пояснил Череан. «Например, разъем OBD2 [on-board diagnostics]который установлен на большинстве автомобилей, изготовленных за последние два десятилетия, предлагает некоторую базовую информацию о транспортном средстве, которое можно читать по беспроводной сети через Bluetooth или через USB-кабель. Более совершенную информацию о транспортном средстве можно собирать с использованием открытых протоколов подключения (таких как OpenXC на автомобилях Ford) или непосредственно от шины CAN (проприетарной для каждого производителя транспортного средства) или с помощью подключенных датчиков, включая камеры ».

Cherian сказал, что любое дополнительное сенсорное оборудование, если оно установлено, может дать массу информации об автомобиле и / или его окружении, что, в свою очередь, приведет к более надежным услугам. «Тем не менее, все эти методы требуют оснащения автомобиля и могут быть недостаточно привлекательными для мотивации большой толпы пользователей, которые могут иметь свои собственные проблемы или оговорки», — сказал он.

Чериан добавил: «Другое дело, если местные органы власти могут также поощрять или обеспечивать установку подключенного бортового оборудования для специализированных целей, таких как парковка / взимание сборов или динамическое ценообразование на дороге. Например, коробки GPS ERP2 [Electronic Road Pricing] на основе GPS должны быть развернуты через транспортные средства здесь, в Сингапуре, в ближайшие несколько лет. Если они перегружены, они могут предложить решения многих других проблем. С другой стороны, многие из существующих предложений по мобилизации мобильных устройств основаны на такой инфраструктуре, как GPS и / или Wi-Fi. К сожалению, они либо не работают в закрытом помещении, либо недоступны для закрытых гаражей, особенно когда они находятся под землей ».

Cherian сказал, что исследование, подобное ParkGauge, которое предлагает решение без инфраструктуры, становится более актуальным в этом контексте. Хотя точность, предлагаемая мобильными устройствами, может быть немного ниже, она по-прежнему обеспечивает практически приемлемую степень точности. Это также означает, что использование машинного обучения играет определенную роль, что позволяет развивать системы скинов, которые со временем улучшаются.

Изучение толпы

«Все зависит от количества и, что более важно, от качества данных, доступных для обучения», — пояснил Череан. В наших экспериментах мы использовали иерархическую комбинацию «контролируемых» методов машинного обучения. Это означает, что мы использовали основную истину (с точки зрения ярлыков, которые были вручную предоставлены опытными людьми или данные о занятости, которые были точно получены с помощью основанных на инфраструктуре методов), чтобы алгоритм обучения смог изучить узоры из него в надежном Способ «.

Исследователи ParkGauge используют метод статистического анализа, называемый скрытой марковской моделью, который позволяет алгоритму работать с состояниями, которые не могут быть незамедлительно наблюдаемы. Другими словами, вам не обязательно видеть, как каждый автомобиль может предсказать, где он находится или что он делает.

«Чтобы обнаружить движущие контексты (например,« вождение »или« припаркованные ») с смартфона, размещенного в транспортном средстве, мы используем скрытую марковскую модель, которая может моделировать временную эволюцию контекстов как функцию состояния движения (например, как ускорение, торможение, поворот или ходьба). Эти состояния движения могут быть легко обнаружены из данных инерциальных датчиков смартфона, таких как акселерометр или гироскоп (и барометр, если они имеются) с использованием метода обучения дерева решений, такого как классификатор случайного леса », пояснил Череан.

«Как только у нас есть движущие контексты и их отметки времени, мы можем вычислить некоторые временные характеристики парковки гаражей и накормить их в методы нелинейной регрессии для оценки занятости гаража», — сказал он. «Основная причина, почему это работает замечательно хорошо, на самом деле довольно интуитивно понятна. Заселение большого гаража обратно пропорционально сопоставимо с временем, затраченным на парковку, и временем, проведенным в очереди или поиском свободного места по прибытии. В сочетании с дополнительными функциями или характеристиками, которые можно извлечь, мы можем получить довольно полезные уровни точности. Кроме того, по мере того, как мы приобретаем больше данных, мы можем постепенно улучшать прогнозы в отношении занятости в режиме реального времени для прибывающих водителей. Мы также можем выявлять и сообщать о тенденциях, которые полезны для предприятий и операторов парковки. »

После своего исследования в 2016 году исследователи из Сингапура NTU надеялись проверить широкомасштабное развертывание ParkGauge, но Чериан сказал, что этого не произошло из-за внутренних факторов и операционных ограничений. Тем не менее, он сказал, что его команда изучила методы повышения масштабируемости своего решения по расширению спектра, одновременно уменьшая необходимость проведения крупного сбора данных для развертывания на новых невидимых гаражах. По словам Черея, вся эта работа в настоящее время проходит рецензирование.

Команда также недавно опубликовала новое исследование вокруг другой прототипной системы под названием ParkLoc, которая нацелена на другую точку боли, связанную с парковкой. «Мы работали над еще одним аспектом использования бесконтактного мобильного зондирования для внутренних гаражей для парковки в отношении локализации припаркованного автомобиля в помещении», — сказал Череян. «Эта работа, в частности, мотивируется часто смущающей проблемой забывания о том, где мы припарковались».

Крис Вильц — старший редактор в Design News охватывающий новые технологии, включая AI, VR / AR и робототехнику.