CN117319490B - 一种面向智慧公路的人工智能应用协同控制系统及其方法 - Google Patents
一种面向智慧公路的人工智能应用协同控制系统及其方法 Download PDFInfo
- Publication number
- CN117319490B CN117319490B CN202311430060.2A CN202311430060A CN117319490B CN 117319490 B CN117319490 B CN 117319490B CN 202311430060 A CN202311430060 A CN 202311430060A CN 117319490 B CN117319490 B CN 117319490B
- Authority
- CN
- China
- Prior art keywords
- edge
- model
- data
- module
- cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000009133 cooperative interaction Effects 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 2
- 238000012827 research and development Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种面向智慧公路的人工智能应用协同控制系统及其方法，属于人工智能算法技术领域，所述系统包括云端AI能力中台、边缘AI控制端和边缘AI服务端；每一个路段对应设置一个所述边缘AI控制端，路段中的每一个业务场景对应设置一或多个所述边缘AI服务端；所述云端AI能力中台统筹控制不同路段的所述边缘AI控制端，所述边缘AI控制端管理模型部署管理模块在各个所述边缘AI服务端完成模型运行推理模块的部署。本发明通过算法训练‑模型部署‑数据收集‑性能监测‑样本扩充‑持续训练的AI研发闭环，使得AI算法模型能够不断进行升级调优，保持甚至提高业务场景AI模型在实际生产环境中的性能效果。
Description
技术领域
本发明属于人工智能算法技术领域，具体涉及一种面向智慧公路的人工智能应用协同控制系统及其方法。
背景技术
随着人工智能技术的快速发展及其应用成本的快速降低、当前智慧公路建设的快速推进，人工智能技术开始被大量应用于高速公路的业务场景当中。由于高速公路主要以路段为单位进行划分，某一路段单独设置管理中心；同时高速公路的业务场景种类较多，包括隧道、路面、边坡、收费站等，每个高速公路路段都有相同的业务场景。其中，每个场景的环境因素千差万别，所需使用的人工智能算法应用也不同，对计算设备的性能等各方面要求也不一样。目前在高速公路不同路段的不同业务现场环境中，各自分别搭建硬件计算设备、部署人工智能算法应用。
在现有的技术方案中，在某一业务现场中部署人工智能算法应用后，往往难以进行更新调优，导致经过一段时间后算法应用的效果会逐渐下降，直至不满足业务需求。在一些可用数据量较少和算法更新频率需求高的典型场景中尤其如此，算法准确率低。在现有的技术方案中，在某一路段的业务现场部署的人工智能算法应用，往往都结合这一特定场景进行了优化训练；如果将其迁移到其他路段的业务现场，则无法保证应用效果，需要重新进行训练，泛化能力差。在现有的技术方案中，不同路段的不同业务现场各自分别构建人工智能算法应用，导致：1）不同路段各自使用分散的数据资源，而无法整合利用；2）不同路段有相同的算法应用需求，但却重复进行研发；3）设备算力或使用不充分，或使用超限而无法调整；4）不同业务场景的算法应用本可相互促进，但却彼此割裂。从而造成数据、算法、算力资源的浪费。
发明内容
本发明提供了一种面向智慧公路的人工智能应用协同控制系统，其改进之处在于，所述系统包括云端AI能力中台、边缘AI控制端和边缘AI服务端；所述云端AI能力中台包括业务数据处理模块、算法模型训练模块、云边协同交互模块、模型运行监测模块和后台维护模块；所述边缘AI控制端包括云边协同交互模块、模型部署管理模块和边端数据交互模块；所述边缘AI服务端包括设备数据采集模块、模型运行推理模块、业务数据推送模块和边端数据交互模块；
每一个路段对应设置一个所述边缘AI控制端，路段中的每一个业务场景对应设置一或多个所述边缘AI服务端；所述云端AI能力中台统筹控制不同路段的所述边缘AI控制端，所述边缘AI控制端管理模型部署管理模块在各个所述边缘AI服务端完成模型运行推理模块的部署。
优选的，所述云端AI能力中台统筹控制不同路段的所述边缘AI控制端包括所述云端AI能力中台根据业务场景需求，使用业务场景生产数据，运用算法模型训练模块进行训练，并将人工智能算法模型下发或更新至边缘AI控制端；同时实现对各个边缘AI控制端的统筹控制，提供对算法模型应用效果的实时监测，并完成后台维护；
所述边缘AI控制端部署在相应的路段，与云端AI能力中台完成云边协同交互，上传业务场景生产数据并接收云端AI能力中台训练完成的人工智能算法模型。
优选的，所述边缘AI控制端管理人工智能算法模型在各个所述边缘AI服务端的部署包括所述边缘AI控制端对各个边缘AI服务端的统筹控制，将人工智能算法模型部署于边缘AI服务端；并与边缘AI服务端完成边端数据交互，提取可用于人工智能算法训练的业务场景生产数据；
所述边缘AI服务端部署在路段中的相应业务场景，与路段的边缘AI控制端完成边端数据交互，上传业务场景生产数据；同时使用人工智能算法模型为实际业务场景提供AI服务，通过数据采集设备获取高速公路相应业务场景中产生的数据信息，进行算法模型推理形成AI推理结果或异常事件信息业务数据后，推送至该业务场景相应的业务系统。
优选的，所述业务数据处理模块对各类业务数据进行标注处理，形成AI训练样本库；
所述算法模型训练模块利用AI训练样本库，选取AI算法进行训练，得到AI模型；
所述云边协同交互模块与边缘AI控制端进行交互，统筹控制AI模型的下发并收集业务场景生产数据；
所述模型运行监测模块对所收集的业务场景生产数据进行统计分析，判断AI模型在生产环境中的运行状况；
所述后台维护模块用于硬件计算资源的管理；路段信息的管理；用户信息、组织、角色的管理与更新；以及系统权限与安全的维护。
进一步的，所述模型运行监测模块根据云边协同交互模块从边缘AI控制端中收集的业务场景生产数据，通过对数据进行统计整理，分析各个路段边缘AI控制端中，各项边缘AI服务端的性能和应用效果，判断各个AI模型在不同业务场景中的运行状态是否正常；
如果在路段各项边缘AI服务端运行过程中，跟踪监测到某一AI模型的性能效果降低到预先设置的阈值时，则需要针对这一AI模型进行训练样本库的扩充和算法模型的训练更新，并下发更新；
根据AI模型在误报、漏报、重报等异常结果的数据特征，分析异常结果的产生原因，并据此采用相应的方式进行更新；
其中，AI模型的性能和应用效果指标包括：准确率、召回率、误报率、漏报率和重报率。
进一步的，所述硬件计算资源包括AI服务器内的CPU、GPU和内存资源，所述AI服务器硬件设备以及各类计算资源由后台维护模块管理并分配给算法模型训练模块进行AI算法模型的训练和优化；所述路段包括使用边缘AI控制端和边缘AI服务端的所有路段，其信息在后台维护模块进行管理；用户包括管理员角色、数据管理角色、算法开发角色、模型管理角色、第三方数据标注角色、第三方算法提供商角色，每个用户的个人信息、角色和组织信息，通过后台维护模块进行管理和更新；不同角色用户拥有不同的系统权限，由后台维护模块进行系统权限的管控，以维护系统安全。
进一步的，所述云边协同交互模块与云端AI能力中台进行交互，接收AI模型并上传业务场景生产数据；负责与云端AI能力中台进行具体数据和文件的对接；
所述模型部署管理模块统筹控制AI模型在边缘AI服务端的部署；负责统一管理由云边协同交互模块接收的AI模型文件，即管控整个路段的业务场景AI模型；在该路段的业务场景有使用或升级AI能力的需求时，负责将业务场景AI模型部署或更新至相应的边缘AI服务端中；
所述边端数据交互模块与边缘AI服务端进行数据交互，接收产生的业务场景生产数据并进行筛选提取；负责接收边缘AI服务端在进行模型运行推理时产生的以及业务系统反馈的业务场景生产数据，并对数据进行筛选，提取可用于模型性能检测分析和升级优化的信息。
进一步的，所述设备数据采集模块接入高速公路数据采集设备，采集业务数据并推送至模型运行推理模块；
所述模型运行推理模块根据设备数据采集模块推送的数据，使用AI模型进行推理，形成推理结果信息；
所述业务数据推送模块将模型运行推理模块形成的推理结果信息推送至业务系统；
所述边端数据交互模块与边缘AI控制端进行数据交互，上传由模型运行推理模块和业务系统产生的生产数据。
本发明还提供另一种面向智慧公路的人工智能应用协同控制方法，其改进之处在于，所述方法包括
步骤1：收集交通事件检测场景中各类事件的图片数据形成交通事件数据集；根据需求对数据集进行标注处理，形成交通事件AI训练样本库；
步骤2：选取AI算法对交通事件AI训练样本库进行训练，形成交通事件检测AI模型；
步骤3：接收交通事件检测AI模型，并将模型部署到该路段负责交通事件检测场景；
步骤4：从数据采集设备获取高速公路路面或隧道实时视频流，调用交通事件检测AI模型，得出高速公路异常事件；
步骤5：收集交通事件检测AI模型产生的推理数据和业务系统反馈的信息，经过数据的筛选和提取，判断模型运行状态是否正常而需要更新，并分析异常原因；
步骤6：使用回传的业务场景生产数据，标注后扩充交通事件AI训练样本库，进行步骤2~步骤5实现智慧公路人工智能应用的协同控制以及闭环管理。
有益效果：
本发明通过协同控制系统打通云端平台训练、高速公路路段、业务场景服务间的整体流程，通过算法训练-模型部署-数据收集-性能监测-样本扩充-持续训练的AI研发闭环，使得AI算法模型能够不断进行升级调优，保持甚至提高业务场景AI模型在实际生产环境中的性能效果。特别是面对数据量较少的场景，能快速采集数据扩充样本库，提高模型更新频率，快速提高应用效果。
本发明通过协同控制系统和方法，将各个不同高速公路路段下同一业务场景的现场生产数据全部集中到云端AI能力中台，将不同生产环境下具有不同特征的数据进行汇总和训练，使得业务场景AI算法模型的泛化能力大大提高，迁移到新路段时具备更好的适应能力和应用效果。
本发明通过协同控制系统和方法，将各路段各业务场景的分散沉睡数据进行汇总和挖掘，整合到云端AI能力中台；在云端统一进行业务场景AI算法模型研发；在云端统一调配设备算力。从而使数据、算法、算力资源都能得到更充分高效的利用。
本发明能够克服在高速公路中使用AI技术构建业务场景算法应用时出现的应用效果不佳、资源严重浪费的问题，不仅能持续对AI模型进行更新升级调优、提高AI模型泛化能力，而且具有资源利用充分高效的优点。
附图说明
图1为根据本发明的一种面向智慧公路的人工智能应用协同控制系统架构示意图；
应当理解的是，附图不必按比例绘制，呈现了说明本公开的基本原理的各种特征稍微简化的表示。包括例如特定尺寸、定向、位置和形状的如本文中公开的本发明的特定设计特征将部分地由特别预定的应用和使用环境来确定。
在图中，贯穿附图的几个图，附图标记是指本发明的相同或等同的部分。
具体实施方式
现在将详细参考本发明的各种实施方式，其实施例在附图中说明并在下面描述。尽管将连同本发明的示例性实施方式来描述本发明，但应当理解的是，本说明书并不旨在将本发明限制于那些示例性实施方式。另一方面，本发明旨在不仅仅覆盖本发明的示例性实施方式，还旨在覆盖各种替代物、修饰物、等同物和其他实施方式，其可以包括在由所附权利要求限定的本发明的精神和范围内。
以下，将参照附图详细描述本发明的示例性实施方式。本发明的示例性实施方式中描述的特定结构和功能仅仅是出于说明性的目的。根据本发明的构思的实施方式可以以各种形式实施，并且应当理解的是，它们不应当被解释为受示例性实施方式中描述的示例性实施方式的限制，但包括本发明的精神和范围中包括的全部修饰物、等同物或替代物。
贯穿说明书，本文所使用的专业术语是仅是为了描述各种示例性实施方式，且并不旨在于限制。将进一步理解的是，术语“包括”、“包含”、“具有”等，当在示例性实施方式中使用时，特指所陈述的部件、步骤、操作或元件的存在，但不排除其一个或多个其他部件、步骤、操作或元件的存在或添加。
本发明提出了一种面向智慧公路的人工智能应用协同控制系统，包括：云端AI能力中台、边缘AI控制端和边缘AI服务端。每一个路段对应设置一个边缘AI控制端，路段中的每一个业务场景对应设置一个边缘AI服务端；云端AI能力中台统筹控制不同路段的边缘AI控制端，边缘AI控制端管理人工智能算法模型在各边缘AI服务端的部署。
云端AI能力中台根据业务场景需求，使用业务场景生产数据，持续进行人工智能算法模型训练，并将算法模型下发或更新至边缘AI控制端；同时实现对各个边缘AI控制端的统筹控制，提供对算法模型应用效果的实时监测，并完成后台维护。
边缘AI控制端部署在相应的路段，与云端AI能力中台完成云边协同交互，上传业务场景生产数据并接收云端AI能力中台训练完成的人工智能算法模型；同时实现对各个边缘AI服务端的统筹控制，将人工智能算法模型部署于边缘AI服务端；并与边缘AI服务端完成边端数据交互，提取可用于人工智能算法训练的业务场景生产数据。
边缘AI服务端部署在路段中的相应业务场景，与路段的边缘AI控制端完成边端数据交互，上传业务场景生产数据；同时使用人工智能算法模型为实际业务场景提供AI服务，通过数据采集设备获取高速公路相应业务场景中产生的数据信息，进行算法模型推理形成AI推理结果或异常事件信息等等业务数据后，推送至该业务场景相应的业务系统。
上述技术方案中，云端AI能力中台包括业务数据处理模块、算法模型训练模块、云边协同交互模块、模型运行监测模块和后台维护模块。
业务数据处理模块对各类业务数据进行标注处理，形成AI训练样本库，供算法模型训练模块使用。将同一业务场景同一类型的数据收集形成业务数据集，根据业务场景需求进行标注，形成场景AI训练样本库；不断补充业务数据集并标注，持续扩充场景样本库。其中，业务数据包括由云边协同交互模块收集而来的数据，以及以其他方式获得的业务数据。数据类型包括视频、图像、语音、文本等。不同数据类型具备不同的标注类型，其中，视频数据包括目标跟踪；图片数据包括图像分类、目标检测、语义分割；语音数据包括音频分类、语音识别；文本数据包括文本分类、中文分词、命名实体识别。标注方式包括手动标注与自动标注。
算法模型训练模块利用AI训练样本库，选取AI算法进行训练，得到AI模型。根据业务数据处理模块得到的AI训练样本库，选取与应用场景、业务需求、数据类型、标注类型相匹配的AI算法，应用后台维护模块所管理调度的硬件计算资源进行AI算法训练，得到这一业务场景对应的AI模型。其中，AI框架包括TensorFlow、PyTorch、MindSpore等；不同框架下的AI算法包括YOLO、MOT、ResNet、LSTM、BERT、Transformer等等；人工智能应用的业务场景包括施工作业安全检测、车辆结构化、车辆AI稽核、绿通货物识别、养护日常巡检、交通事件检测等等。
云边协同交互模块与边缘AI控制端进行交互，统筹控制AI模型的下发并收集业务场景生产数据。负责与边缘AI控制端进行具体数据和文件的对接，包括：1）根据模型下发指令统一管理AI模型文件的下发工作，将算法模型训练模块中训练生成的业务场景AI模型，下发或更新至对应路段的边缘AI控制端；2）自动收集边缘AI控制端中的业务场景生产数据，提供给业务数据处理模块，以便于进行业务数据集的补充以及场景AI训练样本库的扩充；同时提供给模型运行监测模块，以便于监测模型的性能和应用效果。
模型运行监测模块对所收集的业务场景生产数据进行统计分析，判断AI模型在生产环境中的运行状况。根据云边协同交互模块从边缘AI控制端中收集的业务场景生产数据，通过对数据进行统计整理，分析各个路段边缘AI控制端中，各项边缘AI服务端的性能和应用效果，以此判断各个AI模型在不同业务场景中的运行状态是否正常。如果在路段各项边缘AI服务端运行过程中，跟踪监测到某一AI模型的性能效果降低到预先设置的阈值时，则需要针对这一AI模型进行训练样本库的扩充和算法模型的训练更新，并下发更新。根据AI模型在误报、漏报、重报等异常结果的数据特征，分析异常结果的产生原因，并据此采用相应的方式进行更新。其中，AI模型的性能和应用效果指标包括：准确率、召回率、误报率、漏报率、重报率等等。
后台维护模块用于硬件计算资源的管理；路段信息的管理；用户信息、组织、角色的管理与更新；以及系统权限与安全的维护。硬件计算资源包括AI服务器内的CPU、GPU和内存等资源，AI服务器硬件设备以及前述各类计算资源由后台维护模块管理并分配给算法模型训练模块进行AI算法模型的训练和优化。路段包括使用边缘AI控制端和边缘AI服务端的所有路段，其信息也在后台维护模块进行管理。用户包括管理员角色、数据管理角色、算法开发角色、模型管理角色、第三方数据标注角色、第三方算法提供商角色等，每个用户的个人信息、角色和组织信息等通过后台维护模块进行管理和更新。不同角色用户拥有不同的系统权限，由后台维护模块进行系统权限的管控，以维护系统安全。
上述技术方案中，边缘AI控制端包括云边协同交互模块、模型部署管理模块和边端数据交互模块。
云边协同交互模块与云端AI能力中台进行交互，接收AI模型并上传业务场景生产数据。负责与云端AI能力中台进行具体数据和文件的对接，包括：1）接收云端AI能力中台下发的业务场景AI模型文件，供给模型部署管理模块进行AI模型的部署或更新；2）将边端数据交互模块中筛选提取出的业务场景生产数据，自动上传至云端AI能力中台，以供AI算法训练或模型性能监测使用。
模型部署管理模块统筹控制AI模型在边缘AI服务端的部署。负责统一管理由云边协同交互模块接收的AI模型文件，即管控整个路段的业务场景AI模型。在该路段的业务场景有使用或升级AI能力的需求时，负责将业务场景AI模型部署或更新至相应的边缘AI服务端中，以供模型运行推理使用。
边端数据交互模块与边缘AI服务端进行数据交互，接收产生的业务场景生产数据并进行筛选提取。负责接收边缘AI服务端在进行模型运行推理时产生的以及业务系统反馈的业务场景生产数据，并对数据进行筛选，提取可用于模型性能检测分析和升级优化的信息，特别需要提取出AI模型推理结果中的误报、漏报、重报等异常数据。
边缘AI服务端包括设备数据采集模块、模型运行推理模块、业务数据推送模块和边端数据交互模块。
设备数据采集模块接入高速公路数据采集设备，采集业务数据并推送至模型运行推理模块。高速公路数据采集设备不断采集隧道、路面、边坡、收费站等不同场景的现场数据，是判断高速公路营运管理现状的重要依据。由设备数据采集模块接入并获取本边缘AI服务端所负责的业务场景的现场数据，以供AI模型进行推理判断。其中，高速公路数据采集设备包括路侧摄像头、门架摄像头、收费站广场摄像头、车牌识别仪、车型识别一体机、车道移动终端、车道语音采集设备等等。
模型运行推理模块根据设备数据采集模块推送的数据，使用AI模型进行推理，形成推理结果信息。从设备数据采集模块获取到本边缘AI服务端负责业务场景的现场数据，调用边缘AI控制端所部署的相应业务场景AI模型，对数据进行计算推理和分析判断，输出AI推理结果信息。推理结果包括高速公路异常事件类别、货物类别、车型类别、车牌号码等等。
业务数据推送模块将模型运行推理模块形成的推理结果信息推送至业务系统。从模型运行推理模块中获取业务场景AI模型所得出的推理结果信息，并通过接口将AI推理结果信息推送至本边缘AI服务端所对接的高速公路业务系统。其中，高速公路业务系统包括：路运一体化系统、高速收费稽核系统、养护智能巡检系统、施工安全管控系统等等。
边端数据交互模块与边缘AI控制端进行数据交互，上传由模型运行推理模块和业务系统产生的生产数据。负责收集在进行模型运行推理时产生的以及业务系统反馈的业务场景生产数据，并上传至边缘AI控制端，以供后续整合及提取分析使用。业务场景生产数据包括高速公路异常事件类别、货物类别、车型类别、车牌号码及对应的由业务系统反馈的正报、误报、重报等信息。
根据上述技术方案中，本发明面向智慧公路的人工智能应用协同控制系统的控制方法，以交通事件检测业务场景为例，包括以下步骤：
步骤1：云端AI能力中台收集交通事件检测场景中各类事件的图片数据，包括车辆、行人、拥堵、火焰、非机动车、施工人员等，形成交通事件数据集；根据需求对数据集进行标注处理，形成交通事件AI训练样本库。
步骤2：云端AI能力中台调用硬件计算资源，选取AI算法进行训练，形成交通事件检测AI模型，并将模型下发至路段的边缘AI控制端；同时完成后台维护工作。
步骤3：边缘AI控制端接收交通事件检测AI模型，并将模型部署到该路段负责交通事件检测场景的边缘AI服务端。
步骤4：边缘AI服务端从数据采集设备（即路侧摄像头）获取高速公路路面或隧道实时视频流，调用交通事件检测AI模型，推理得出停车、行人、拥堵等等高速公路异常事件，并将结果推送至对应的业务系统（即路运一体化系统）。
步骤5：边缘AI服务端收集交通事件检测AI模型产生的推理数据和业务系统反馈的信息，上传至边缘AI控制端，经过数据的筛选和提取，再上传至云端AI能力中台，判断模型运行状态是否正常而需要更新，并分析异常原因。
步骤6：云端AI能力中台使用回传的生产数据，标注后用以扩充交通事件AI训练样本库，再次进行步骤2至步骤5中算法训练-更新下发-模型部署-提供服务-收集数据的流程，实现智慧公路人工智能应用的协同控制以及闭环管理。
已经出于说明和描述的目的而呈现了本发明特定示例性实施方式的前述描述。并不旨在将其排除或将本发明限制于所公开的精确形式，并且显然地，鉴于以上教导，许多修饰和改变是可行的。选择并描述示例性实施方式以解释本发明的某些原理和它们的实际应用，以便使得本领域的其他技术人员能够制作或利用本发明各种示例性实施方式，及其各种替代物和修饰物。其目的是本发明的范围将由本发明所附的权利要求书及其等同物来定义。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (5)
1.一种面向智慧公路的人工智能应用协同控制系统，其特征在于，所述系统包括云端AI能力中台、边缘AI控制端和边缘AI服务端；所述云端AI能力中台包括业务数据处理模块、算法模型训练模块、云边协同交互模块、模型运行监测模块和后台维护模块；所述边缘AI控制端包括云边协同交互模块、模型部署管理模块和边端数据交互模块；所述边缘AI服务端包括设备数据采集模块、模型运行推理模块、业务数据推送模块和边端数据交互模块；
所述业务数据处理模块对各类业务数据进行标注处理，形成AI训练样本库；
所述算法模型训练模块利用AI训练样本库，选取AI算法进行训练，得到AI模型；
所述云边协同交互模块与边缘AI控制端进行交互，统筹控制AI模型的下发并收集业务场景生产数据；
所述模型运行监测模块对所收集的业务场景生产数据进行统计分析，判断AI模型在生产环境中的运行状况；
所述后台维护模块用于硬件计算资源的管理；路段信息的管理；用户信息、组织、角色的管理与更新；以及系统权限与安全的维护；
所述云边协同交互模块与云端AI能力中台进行交互，接收AI模型并上传业务场景生产数据；负责与云端AI能力中台进行具体数据和文件的对接；
所述模型部署管理模块统筹控制AI模型在边缘AI服务端的部署；负责统一管理由云边协同交互模块接收的AI模型文件，即管控整个路段的业务场景AI模型；在该路段的业务场景有使用或升级AI能力的需求时，负责将业务场景AI模型部署或更新至相应的边缘AI服务端中；
所述边端数据交互模块与边缘AI服务端进行数据交互，接收产生的业务场景生产数据并进行筛选提取；负责接收边缘AI服务端在进行模型运行推理时产生的以及业务系统反馈的业务场景生产数据，并对数据进行筛选，提取可用于模型性能检测分析和升级优化的信息；
所述设备数据采集模块接入高速公路数据采集设备，采集业务数据并推送至模型运行推理模块；
所述模型运行推理模块根据设备数据采集模块推送的数据，使用AI模型进行推理，形成推理结果信息；
所述业务数据推送模块将模型运行推理模块形成的推理结果信息推送至业务系统；
所述边端数据交互模块与边缘AI控制端进行数据交互，上传由模型运行推理模块和业务系统产生的生产数据；
每一个路段对应设置一个所述边缘AI控制端，路段中的每一个业务场景对应设置一或多个所述边缘AI服务端；所述云端AI能力中台统筹控制不同路段的所述边缘AI控制端，所述边缘AI控制端管理模型部署管理模块在各个所述边缘AI服务端完成模型运行推理模块的部署。
2.根据权利要求1所述的一种面向智慧公路的人工智能应用协同控制系统，其特征在于，所述云端AI能力中台统筹控制不同路段的所述边缘AI控制端包括根据业务场景需求，使用业务场景生产数据，运用算法模型训练模块进行训练，并将人工智能算法模型下发或更新至边缘AI控制端；同时实现对各个边缘AI控制端的统筹控制，提供对算法模型应用效果的实时监测，并完成后台维护；
所述边缘AI控制端部署在相应的路段，与云端AI能力中台完成云边协同交互，上传业务场景生产数据并接收云端AI能力中台训练完成的人工智能算法模型。
3.根据权利要求1所述的一种面向智慧公路的人工智能应用协同控制系统，其特征在于，所述边缘AI控制端管理人工智能算法模型在各个所述边缘AI服务端的部署包括所述边缘AI控制端对各个边缘AI服务端的统筹控制，将人工智能算法模型部署于边缘AI服务端；并与边缘AI服务端完成边端数据交互，提取可用于人工智能算法训练的业务场景生产数据；
所述边缘AI服务端部署在路段中的相应业务场景，与路段的边缘AI控制端完成边端数据交互，上传业务场景生产数据；同时使用人工智能算法模型为实际业务场景提供AI服务，通过数据采集设备获取高速公路相应业务场景中产生的数据信息，进行算法模型推理形成AI推理结果或异常事件信息业务数据后，推送至该业务场景相应的业务系统。
4.根据权利要求1所述的一种面向智慧公路的人工智能应用协同控制系统，其特征在于，所述模型运行监测模块根据云边协同交互模块从边缘AI控制端中收集的业务场景生产数据，通过对数据进行统计整理，分析各个路段边缘AI控制端中，各项边缘AI服务端的性能和应用效果，判断各个AI模型在不同业务场景中的运行状态是否正常；
如果在路段各项边缘AI服务端运行过程中，跟踪监测到某一AI模型的性能效果降低到预先设置的阈值时，则需要针对这一AI模型进行训练样本库的扩充和算法模型的训练更新，并下发更新；
根据AI模型在误报、漏报、重报异常结果的数据特征，分析异常结果的产生原因，并据此采用相应的方式进行更新；
其中，AI模型的性能和应用效果指标包括：准确率、召回率、误报率、漏报率和重报率。
5.根据权利要求1所述的一种面向智慧公路的人工智能应用协同控制系统，其特征在于，所述硬件计算资源包括AI服务器内的CPU、GPU和内存资源，所述AI服务器硬件设备以及各类计算资源由后台维护模块管理并分配给算法模型训练模块进行AI算法模型的训练和优化；所述路段包括使用边缘AI控制端和边缘AI服务端的所有路段，其信息在后台维护模块进行管理；用户包括管理员角色、数据管理角色、算法开发角色、模型管理角色、第三方数据标注角色、第三方算法提供商角色，每个用户的个人信息、角色和组织信息，通过后台维护模块进行管理和更新；不同角色用户拥有不同的系统权限，由后台维护模块进行系统权限的管控，以维护系统安全。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430060.2A CN117319490B (zh) | 2023-10-31 | 2023-10-31 | 一种面向智慧公路的人工智能应用协同控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430060.2A CN117319490B (zh) | 2023-10-31 | 2023-10-31 | 一种面向智慧公路的人工智能应用协同控制系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117319490A CN117319490A (zh) | 2023-12-29 |
| CN117319490B true CN117319490B (zh) | 2024-04-16 |
Family
ID=89286534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311430060.2A Active CN117319490B (zh) | 2023-10-31 | 2023-10-31 | 一种面向智慧公路的人工智能应用协同控制系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117319490B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371904A (zh) * | 2020-03-18 | 2020-07-03 | 交通运输部公路科学研究院 | 云边端协同的高速公路云控系统及控制方法 |
| CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
| WO2022237866A1 (zh) * | 2021-05-12 | 2022-11-17 | 中移智行网络科技有限公司 | 一种车路协同系统、模拟仿真方法、车载设备和路侧设备 |
| CN116778370A (zh) * | 2022-03-08 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种事件处理方法、装置、设备及存储介质、程序产品 |
-
2023
- 2023-10-31 CN CN202311430060.2A patent/CN117319490B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111371904A (zh) * | 2020-03-18 | 2020-07-03 | 交通运输部公路科学研究院 | 云边端协同的高速公路云控系统及控制方法 |
| WO2022237866A1 (zh) * | 2021-05-12 | 2022-11-17 | 中移智行网络科技有限公司 | 一种车路协同系统、模拟仿真方法、车载设备和路侧设备 |
| CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
| CN116778370A (zh) * | 2022-03-08 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种事件处理方法、装置、设备及存储介质、程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117319490A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chauhan et al. | Embedded CNN based vehicle classification and counting in non-laned road traffic | |
| CN102968494B (zh) | 通过微博采集交通信息的系统及方法 | |
| CN114489122B (zh) | 一种基于uav及配套机场的高速公路自动巡检方法及系统 | |
| CN113808389A (zh) | 车路协同系统、边缘计算单元、中心云平台及信息处理方法 | |
| CN113674325A (zh) | 人员轨迹追踪方法及系统 | |
| CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
| CN113034938A (zh) | 一种城市管理的智慧交通系统 | |
| CN113778108B (zh) | 一种基于路侧感知单元的数据采集系统及数据处理方法 | |
| CN112950929B (zh) | 全天候实时交通信息监测和qos分级控制系统及方法 | |
| CN117319490B (zh) | 一种面向智慧公路的人工智能应用协同控制系统及其方法 | |
| KR101954719B1 (ko) | 이벤트감지장치 및 그 장치의 구동방법 | |
| CN114913447A (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
| CN108470451A (zh) | 一种基于大数据的智能交通系统 | |
| CN112749681A (zh) | 一种基于边缘设备和深度学习的违章检测方法 | |
| CN116580346A (zh) | 一种算法确定方法、装置、设备及介质 | |
| CN113609956B (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
| CN112149562B (zh) | 基于多功能杆的道路智慧养护系统及方法 | |
| CN113112807A (zh) | 融合4g探针与高速机电系统的高速公路全息感知方法 | |
| TWI762835B (zh) | 分散型交通號誌聽覺系統以及使用分散型交通號誌聽覺系統的方法 | |
| CN111586638B (zh) | 基于v2x节点类型的室内测评方法、设备和存储介质 | |
| CN114140289A (zh) | 一种基于卫星遥感技术的智慧城市规划系统 | |
| Qian et al. | Towards Agent-Based Traffic Simulation Using Live Data from Sensors for Smart Cities | |
| CN214507243U (zh) | 车辆监视装置和系统 | |
| CN111310660A (zh) | 用于adas场景的目标检测虚警抑制方法及装置 | |
| Rindt | Situational Awareness for Transportation Management: Automated Video Incident Detection and Other Machine Learning Technologies for the Traffic Management Center |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |