边缘计算赋能的道路状况监测：系统开发与评估
计算机视觉与模式识别
2023-10-10 v1
摘要
实时路面状况监测为公路机构提供及时准确的信息，可构成路面养护与修复政策的基础。现有技术严重依赖人工数据处理，成本高昂，因此难以扩展至频繁、网络级的路面状况监测。此外，这些系统需要将大量数据包发送至云端，需要庞大的存储空间，处理的计算开销大，且导致高延迟。本研究提出一种解决方案，利用广泛可得的廉价微机电系统（MEMS）传感器、微控制器的边缘计算与联网能力，以及可部署的机器学习（ML）模型，以（a）设计一种可安装于车辆车轴上的物联网（IoT）设备，用于流式传输实时路面状况数据；（b）通过在向云服务器发送前对路面状况传感器数据进行设备端处理与分析来降低延迟。在本研究中，训练了随机森林、LightGBM和XGBoost三种ML模型，以预测每0.1英里路段的国际平整度指数（IRI）。XGBoost精度最高，其RMSE和MAPE分别为16.89 in/mi和20.3%。在依据MAP-21标准基于行驶质量对路面路段IRI进行分类的能力方面，我们所提出的设备在I-70EB上达到96.76%的平均准确率，在South Providence上达到63.15%。总体而言，我们所提出的设备展现出向州公路局（SHA）和交通部（DOTs）提供实时路面状况数据的显著潜力，且精度令人满意。
引用
@article{arxiv.2310.05321,
title = {Edge Computing-Enabled Road Condition Monitoring: System Development and Evaluation},
author = {Abdulateef Daud and Mark Amo-Boateng and Neema Jakisa Owor and Armstrong Aboah and Yaw Adu-Gyamfi},
journal= {arXiv preprint arXiv:2310.05321},
year = {2023}
}