王維峰：人工智慧在公路巡查中的應用
我今天主要圍繞三個方面，談談我對人工智慧的一些想法和一些探索的思路。
首先，人工智慧時代確實已經到來，來得也非常的快。實際上人工智慧存在已經有六十年了，最早誕生於1956年，但是有三次低谷。
第一個是1973年的時候，叫人工智慧的「冬天」。那時候研究的主題就是如何讓機器人智慧。所以那個時候更多地是把人工智慧定義成為一種非常高端的像人一樣的機器身上，最後以失敗告終。
到1982年是人工智慧發展的第二次低谷，日本研發了一個叫智能的第五代計算機，定義為高度智能硬體的開發，而忽視了對軟體和知識的應用，所以最後也失敗了。
到了九十年代，因為前面發展硬體可能不一定有出路，九十年代就把所有的精力放到專家系統上。就是把一些在行業裡面對這種知識非常了解的一些專家，把他們的知識整合起來，做專家型的知識百科。
但是後來隨著互聯網的出現，大數據時代，我們在網上一搜索，很多知識是最新的，甚至還可以跟我們做一些深度挖掘信息，都可以獲得到。第三次支撐了十年左右的時間，當時大概投資了8500萬歐元，來做這樣一個研究，最後也失敗了。
在2015年，中國工程院啟動了一個「中國人工智慧2.0發展戰略」，這個不僅僅是研究硬體本身，也考慮知識和軟體層面的一些研究，包括從單體的人工智慧到群體的人工智慧，這是它的一個重要特點。
到了2017年，中國發布了一個叫「新一代人工智慧發展規劃」，彼時就是人工智慧建設的一個高潮。
所以人工智慧的發展應該是潮起潮落，在目前這個階段是步入了一個大發展的時期。
在國際上有一個叫大規模視覺識別挑戰，就是把人和人工智慧的機器一起對比，看對物體識別的精度，誰能獲勝。在2014年之前，人的識別能力和機器的識別能力相比較，人是絕對佔優勢的，比較穩定。而人工智慧是不斷上升的一個發展過程，但是在2014年性能已經趕超了人的智能這樣一個能力。
在斯坦福專門開設了一個課程，其實它在九十年代的時候就已經有人工智慧相關的課程，但是在那個時代受到一些外部條件的限制，比如說我們的信息技術，我們的計算資源、計算能力可能不一定跟得上，包括我們的通信。
回到我們這個行業，我們也在考慮人工智慧和我們行業怎麼深入融合？
我們也有機會做了一些人工智慧和公路巡查的一些項目。我今天主要分兩個層面，一個是國內外相關的單位怎麼做，然後講講我們在公路領域做了哪些探索。
首先是公路巡查，我覺得有幾個痛點：
第一個就是公路最典型的一個特點，量大面廣。現在基本上很多的省份高速公路和國省幹線都超過了5000公里，甚至10000多公里的國省幹線，對它來進行精確的巡查，這個投入的人力成本是非常高的。
第二個特點，我覺得是巡查內容的多樣性，這個也是一個很難的事兒。比如說一些基礎設施、一些附屬設施，甚至對一些交通的事件等等的巡查，巡查內容的特點不一樣，對我們巡查的難度也是不一樣的。
第三個特點，是事件出現的隨機性。有一些巡查內容不是天天都存在的，甚至不是在一個固定的路段、固定的時間出現的。這個時候我們以人的這種形式來巡查的話，這個效率和代價比較高。
第四個特點，在這種量大面廣，巡查內容又很多，事件出現比較隨機的大背景下，人工巡查的效率是有待提升的。
所以我們思考，能不能探索一個新的思路，運用我們一些現在比較熱門的學科，深度學習、機器視覺，包括大數據的分析、知識圖譜，構建人工智慧的一些手段，來緩解我們公路巡查的一些痛點。
這裡面講的機器視覺可能常規的理解就是攝像頭，因為攝像頭更像一個人的眼睛去看，這個是我們常規意義上理解的機器視覺，實際上遠不僅於此。包括雷達、激光，實際上我認為都是機器視覺應用的一個場景和一種工具。
在人工智慧和公路巡查裡面，首先在AI的雲架構這一塊，實際上它是一個大數據資源的平台，和物聯網資源平台的一個整合。因為它的外端都是要結合很多前端感知的一些設備來感知這樣一些事件和巡查的內容。
我們當時做這樣一個項目的時候，也考慮和檢索了美國的一些做法。
美國是做了這樣一件事，他們把車載的視頻，放在前擋風玻璃上面，再結合自己車上裝的陀螺儀，和一些人工智慧的演算法，做了一個類似於，我們只要車上放一個APP的手機就能夠檢測我道路的一個損壞程度。
把它分了五級，就像我們的交通擁堵一樣，實際上這也是一個典型的公路巡查。
第二種我們也找了幾個案例，就是人工智慧和眾包的這種模式結合。什麼概念呢？也是基於前端的感知，但是這種前端的感知是需要有智能駕駛的這樣一些功能車的攝像頭，它來採集這樣一些數據。
同時它還收集一些我們平時關注度比較少的，比如像一些標識的缺失等等這些數據，來共享，甚至給我們的交通管理部門來共享這樣一些數據。
國內也有很多AI產品的應用，這個裡面一個典型的應用就叫全量的視頻自動巡查，從單體的智能到群體的智能，實際上也考慮到全量的概念，不是某一個點上人工智慧的應用，所以實現了一個全量視頻自動聯動和巡查功能。
他們當時界定的目標是事件發現時間要小於20秒，準確率要達到95%以上。
作為我們來講，我們做了這麼幾件事。
第一個我們在想如果是通過純粹視頻的手段，這樣一種機器視覺的手段，來做人工智慧的應用，可能在某些場景下會有一些缺陷。比如說在晚上，有大霧或者是下雪的環境下，它最後檢測的一些精度可能會受到一些影響。
我們和雷達結合起來，做這樣一個互動，做一些事件的檢測。這樣一套設備，目前是布在我們中設集團，我們外圍有一條道路，也裝了這樣一些設備，來做這樣一些探索的應用。
第二個方面應用，我們最近在光譜分析這一塊，因為我們知道很多的物體光打上去之後，它反射過來光譜的特點是不一樣的，我們能不能用這樣一些光譜的特性來對一些路面進行巡查。
反映出幾個特點，第一個是每一個不同的路面行駛，不管它有沒有損壞，它反射過來的光譜，反射率是不一樣的，就給我們一個啟示，就是說不同路面特徵光譜是不一樣的，我至少可以對路面進行分類。
第二個啟示，它的曲率、變化率、反射率的大小是不一樣的。它和什麼有關係呢？和我們路面老化的程度是有關係的，老化得越厲害，磨得越光，它反射量可能就大一些。
在一些病害的特徵，同樣的也有這樣一些特點。比如說在一些路面的裂縫、車子的病害等等，它反射的時候，在巡查的時候，通過這樣一種特點，它的光譜特點也是不一樣的。
比如說路面的裂縫會導致光譜的反射率大概在1000納米，但是裂縫越深係數越大，反射就越小。而且橫向的裂縫和縱向的裂縫沒有差異性，這樣我們也可以對一些裂縫，就是我縱向的跑和橫向跑，都可以去做這樣一些路面病害的養護，這樣的一個巡查。
我們也做了關鍵區域客流監測的應用。
一些典型的場景，在一些高速公路或者是服務區，可能有違法上下客的行為。我們可以對這些行為進行及時的跟蹤和發現，反饋給我們的執法部門，來提高我們巡查的效率和精度。
第一個要解決的問題是跨視頻的目標跟蹤，例如在服務區，因為從我們進這個服務區是一個過程，我們可以對車輛的車牌、顏色，甚至車的一些形狀和前臉等等作為一個特徵，以此來判斷它是不是一個客運的車輛。
我們在整個通道中對它進行一個全程的跟蹤。就是通過時空的線索和外觀的線索，來實現我們服務區裡面若干個攝像頭的這樣一個車輛的聯動跟蹤，到最後車輛停在某一個位置有沒有停下來，是不是違停，我們對它進行一個定位。
我們還做了一個行人行為的監測，就是從車上有沒有人下來，這些人是去服務區裡面吃飯，還是上廁所，我們對這些人的一些外形的行為，就是叫行為學的一些監測。比如說這個人下來之後他有沒有提箱子，有沒有拎包等等，這個也可以通過我們人工智慧機器學習的一些方法來對他進行一個識別。
在對整個軌跡進行跟蹤，因為去衛生間和餐廳的方向，包括客流聚集的點是不一樣的，這個也可以做一個判別。最後通過一些人體的特徵做一個行為人的判別，最後來判別他是不是違法。
然後我們再對他進行一個事件的關聯，做一個時空的關聯和行為關聯分析，來判斷他是不是異常的，違法的這樣一個上下客的事件。
這是我們在人工智慧裡面的一個探索。
最後彙報一下我們在人工智慧領域做的一些探索結論和對未來的一些展望。
我有三個方面的體會：
第一個，人工智慧不是今天這個時刻才出來的，已經有六十多年的這樣一個發展歷程。當然我相信未來的發展肯定也是一個永無止境的過程。
人工智慧，我們自己研究下來，我們感覺雖然現在很多人工智慧做得非常好了，但是它仍然處在從一個弱的人工智慧向強的人工智慧甚至向超強的人工智慧演進的過程當中。怎麼解釋它呢？實際上我們做了很多的人工智慧，更多的是從前端感知這樣一種手段，甚至是一種智能的感知，但是它沒有一個理性的思考或者一個理性的決策。
而理性的思考和理性的決策，是強人工智慧的一個時代，所以未來的研究，特別是跟我們行業深入結合的研究，這個過程在不斷地演進。
第二個，我們很多人工智慧的研究是結合人工參與，再來加一些外圍的人工設備來做巡查。我們未來無人駕駛的階段，車本身是一個自動化的角度，再來搭載我們在一些特殊的場景，特殊的場合下，人不便去的一些地方的巡檢，能不能結合起來，做一些未來更高智能化的這樣一個人工智慧的嘗試，我覺得這可能是未來的一個發展方向。
第三個，特別重要，為什麼叫新一代人工智慧？前面講的中國工程院推出來了一個人工智慧2.0，我們也在思考到底什麼是人工智慧，什麼是新一代人工智慧，二者有什麼區別？
最後我們總結下來大概有這麼幾點可能可以去對它進行一個界定。
第一個，以前的人工智慧可能忽視了大數據的應用，因為以前我們大數據的這種採集的外部環境和應用的環境不具備，現在有了大數據，大數據再結合我們一些單體的計算和群體計算的能力，可能讓我們的人工智慧煥發了一個新的活力，所以可以稱為新人工智慧時代的一個特點。
第二個，前面講到過，人工智慧為什麼走入了很多的低谷期？我們分析下來，因為它沒有知識，它所做的很多應用，沒有形成一種知識的圖譜。
這個是未來機器大腦中的知識庫，以及推進新一代人工智慧，我們認為是非常重要的。包括公路巡查裡面，我們認為每一個事件，每一個組成的要素，它之間到了一定的大數據階段之後一定是可以形成一個知識圖譜的，而這不僅僅是專家的經驗。
所以通過這幾種，大數據和知識圖譜的構建，可以極大地豐富我們人工智慧的深度和廣度。
（上文由中設集團智能交通設計研究中心主任王維峰在第二屆（中國）南京道路交通信息化論壇發表的「人工智慧在公路巡查中的應用探索」主題演講，未經本人核實，內容有刪減）
TAG:賽文交通網 |