[09]眾源道路鋪面監控系統

Transcript

1. 眾源道路鋪面監控系統 Crowdsourcing Road Pavement System 系統架構 系統的主要架構可分為下列三個子系統：道路使用者 、 雲端服務 、道路管理單位。 系統設計 結論 本系統為提出透過智慧型手機探偵車廣泛並大量的收集道路路況資料，能自動且即時的監測路面狀態，無需人工巡視確認道 路平穩性。由雲端服務系統同時匯整所收集的眾源資料，經資料探勘處理後，分享最新之道路異常路面資訊，提供車輛駕駛 安全警示服務與道路修繕單位查詢目前路面品質，民眾與政府間存在互助共利的關係。 推廣系統之主要使用者仍著重於政府機關道路管理單位，由自動化偵測功能以避免花費過多人力於觀察巡視所有道路狀況， 而能針對需修復道路進行重點維護與監督確認，並依修復程序層層把關，提高異常點修復審核的確認標準，以避免花費不必 要之金錢及時間於反覆修路工程。 摘要 在本展示中，我們提出的眾源道路鋪面系統，包含三項應用服務子系統，分別為提供道路駕駛者的智慧偵車應用程式(SPC APP)、監察及施工人員的工作者應用程式(Worker APP)及道路維護者的管理者網頁(Road Manager Website)，智慧偵車應用 程式具自動偵測路面異常並回報的功能，能大量即時地收集道路異常點資料，並下載周圍已知的道路異常點，提供接近時發 出警示音訊的服務；工作者應用程式為提供道路監督者及施工人員在實際現場，能立即進行異常點狀態的更新修改；管理者 網頁為提供維護道路人員查詢目前道路狀況，並判斷後續派員處理動作，以及統計各區域的道路品質變化情形，做為評估道 路維護績效的依據。 陳盈秀 國立交通大學資工系 amy780617@gmail.com 紀瑋婷 國立交通大學資工系 WTChi.Sue@gmail.com 莊宜達 國立交通大資工系 izeki.cs96g@nctu.edu.tw 易志偉 國立交通大學資工系 yi@cs.nctu.edu.tw (2) 通訊應用程式介面 資料收集 / 資訊分享 (1) 智慧探偵車 (6) 工作者 應用程式 II. 雲端服務 III. 道路管理者 I. 道路使用者 眾源資料 (4) 智能引擎 · 原始資料 · 道路異常資訊 · 相片 (3) 道路資訊資料庫 (5) 管理者網頁 · 查詢及報表輸出 · 修復績效評估 · 特殊查詢 道路資訊 監察者更新        · 分群 · 道路圖資        先進導 航模組 行動感 測模組 道路資訊 路面異常 分群 圖一 道路鋪面監控系統架構圖 系統運作流程 圖二 道路異常點的維護工作流程 實作成果畫面 管理系統 智慧探偵車輛 自動偵測 工作者回報 確認及照相 列印報表派工 “修復待確認” 維護績效 查詢 查詢及應用 (1) 新增 (3) 修復確認 列印報表派工 “未分類” 分類及照相 資料來源 道路維護 列印報表派工 “待修復” 修復及照相 (2) 修復 圖三 系統設計模組圖 圖五 工作者程式畫面 圖六 管理網頁畫面 圖四 智慧探偵車程式畫面
2. 易志偉 國立交通大學 資訊工程系 yi@cs.nctu.edu.tw 陳盈秀 國立交通大學 資訊工程系 amy780617@gmail.com 紀瑋婷 國立交通大學 資訊工程系 WTChi.Sue@gmail.com 第 18 屆行動計算研討會 眾源道路鋪面監控系統 Crowdsourcing Road Pavement System 摘要 近年由於道路坑洞及路面不平穩已造 成駕駛安全受到嚴重威脅，並發生多起意外 事件。為提高道路維護的效率及修復品質， 因此本論文提出根據智慧探偵車的概念，利 用行動感測及雲端服務技術執行眾源資料 的收集，能隨時隨地監視目前道路狀況。並 使用分群演算法降低路面異常定位誤差問 題，希望建立即時道路品質監測系統以協助 道路養護單位進行維修。同時也提供管理者 便利的維護管理平台，即時查詢最新道路狀 況，以分派執行維修及監督工作，進階甚至 能統計各道路維護單位的工作績效。最後將 結合先進導航系統，即時提醒駕駛者前方異 常路面，以避免可能的危險事故。 關鍵詞：智慧探偵車、行動感測、眾源資料、 道路品質監測 Keywords：Probe Vehicle、Mobile Sensing、 Crowdsourcing Data、Pavement Monitoring 一、研究動機 近年由於道路的坑洞及路面的高低差 已造成多起交通意外事件，讓各縣市政府開 始重視道路不平穩的修復工作，其中以台北 市提出的路平專案最受關注，雖編列了 6 年 共高達 111 億的預算，來進行道路修補，但 其成效卻不彰，為加強台灣道路品質的維護 管理，首先應解決路面坑洞察覺的非即時性， 即縮短偵測到新異常點出現的時間，接續則 是如何有效率分配修路單位進行維修，並應 確實監督施工廠商的修路工程，以最高效率 完成道路撫平工作，因此於本論文提出一套 智能型路面品質監測系統，期望能協助維護 道路單位進行有效的品質管理。 二、相關文獻 本節將分析及探討現有路面偵測系統 的優缺點，尋求最佳的偵測方法；以及分析 其它道路維護管理系統的功能性和待改善 空間，調整本系統之提供功能與服務；針對 各種收集異常點資料方式，將採取最有效及 管理的方式。 針對路況中道路異常偵測的部分，在 2008 年[1]提出坑洞巡視系統 ， 主要利用探偵 車來偵測路面異常，由對速度及加速度的變 化來過濾異常路面的事件。[2]也發表於同年， 為修改前篇[1]所提出之架構，並考慮感測器 的擺放姿態，以偵測垂直方向的震動為主， 並且針對在 z 軸波峰值的判斷，以時速 25 公里區分兩種偵測異常位置的門檻值。發表 於前年的[3]為最近期的文獻，此篇利用智慧 型手機偵測，提出四種偵測路面異常的基本 門檻值，分別為檢測加速度垂直振動、連續 垂直振動差異、固定區間內加速度的標準差、 加速度值於無重力影響的位置點。各篇與本 系統的比較如下，[1]需要額外的感測裝置， [2]僅考量速度影響因素，[3]系統門檻值設定 的情境受限，不同設備需重新設定參數，不 具普遍適用性，且只有本系統考量到不同車 架與車種對偵測的差異性。 以目前現有的道路維護管理系統，有台 北市道路施工案件查詢服務系統[4]和新北 市路平報馬仔系統[5]，皆具有目前道路異常 分布和維修狀態的查詢功能，台北市的系統 還具施工前後確認狀態的拍攝驗證，但其共 同的缺點則為需人工收集資料，不具即時性， 且並沒有對道路品質進行分級和修復績效 的評估，而本系統則具備了[4]和[5]系統的優 點及補足尚缺的項目。 三、系統架構 本章節描述眾源道路鋪面監控系統之 主要架構，本系統的架構圖如圖 1，本系統 之應用主要可為三種角色： 1. 智慧手機探偵車－收集異常點資料。 2. 管理者－提供維護績效統計 ， 以加速道 路維護的效率。 3. 工作者－修路的施工人員或現場勘察 莊宜達 國立交通大學 資訊工程系 izeki.cs96g@nctu.edu.tw
3. 之工作人員，透過系統進行異常點分類、修 復及確認等工程。 系統主要架構以下分三個部分說明。 1. 道路使用者 (Road User)： 提供車輛駕駛者路面安全導航系統，並根據 智慧探偵車概念，由群眾力量協助收集路面 異常資料。 2. 雲端服務 (Cloud Service)： 包含連結外部使用者與資料庫間資訊溝通 的 API 服務，以及包含異常點資訊和進行分 群運算的資料庫，並透過智能引擎將眾源資 料以分群計算方式，整合得到精確之道路異 常資訊。 3. 道路管理單位 (Road Manager)： 由道路管理者能透過查詢管理網頁，進行道 路修復的派遣及維護效能的評估；並由監察 員及施工人員進行道路狀況的監督與修 復。 圖 1 系統使用者關係與主要架構圖 四、研究方法 道路鋪面監測系統之研究技術核心，主 要為路面異常點的偵測方法，運用智慧型手 機固定於車輛內，由加速度計感測器能持續 收集車輛的震動值，並經由異常路面偵測演 算法[6]，計算行駛中通過之異常點事件，以 此技術結合導航系統，開發智慧型手機應用 程式，便能藉由道路行駛中的眾多車輛，即 時地協助收集路面異常點，並上傳至系統的 雲端服務資料庫，定期針對更新之所有異常 點上傳事件，進行資料採探過程，執行分群 演算法，將有效整合出較準確之異常點資訊， 並儲存至異常點資訊資料庫，以分享最新之 道路品質資訊給予車輛駕駛者及道路管理 維護者，提供安全警示服務和管理修繕查詢 服務。下列將各別描述運用的方法： 1. 偵測路面異常方法 偵測路面異常的最初步驟為經由智慧 型手機的感測器讀值，粹取出車輛的垂直震 動，並偵測路面異常之流程如圖 2，主要可 分為四項運算，首先為初始化、判斷平穩、 偵測異常指數、以固定秒數內之資料集合做 計算： 偵測路面異常之流程如圖 2，主要可分 為四項運算，首先為初始化、判斷平穩、偵 測異常指數、以固定秒數內之資料集合做計 算： I. 初始化：車輛靜止0 秒後，先初始化偵 測模組所需計算的各集合參數，包含所有原 始向量之垂直分量集合⊥、平均重力加速度 g0 、所有平穩狀態向量集合 、平穩狀態向 量垂直分量集合⊥、計算所有垂直向量之標 準差∑⊥，初始平穩狀態標準差⊥。 II. 判斷平穩 ： 開始為每 1 秒更新集合和計 算更新標準差，並判斷更新的 1 秒內所有垂 直分量的標準差是否皆小於∑⊥，若滿足此條 件，則將此第 i 秒內的所有向量和垂直分量 加入 與⊥集合， 並重新計算為所有平穩狀 態垂直分量集合標準差⊥，及更新平均g0 。 III. 偵測異常指數：若0 秒後之第 i 秒內具 垂直分量之標準差大於∑⊥，則自該筆垂直分 量後，累積 3 秒內加速度讀值，並計算投影 至g0 後的垂直分量集合，進入偵測異常點模 組，計算集合內之標準差為 ⊥ ，並與平 穩標準差⊥比較其相差倍數，定義此差距倍 數 為 判 斷 路 不 平 程 度 的 異 常 點 指 標 (Abnormality Index, AI)。 IV. 固定計算資料集合之秒數區間 ： 固定各 集合所包含之秒數資料不大於1 秒，因此當 自0 秒後累積 i 秒之集合若大於1 ，則分別 移除 、⊥、⊥等各集合之最前一秒資料， 以固定各集合最大容納秒數為1 秒內向量。   1 0 T i T                 second. th - in the sensor - G the of reading the i T U 0 i g   i i U U    g g g 0 proj      i U U U v v      U stdev            second. first in the sensor - G the of reading the 0 0 T T U g   0 0 proj T U S U      g g g v v      U stdev v g v S   avg 0 0 T U S  v g v S   avg 0      i U S S v v     S stdev  i U S S         1 T i U U U       1 T i U S S 1 T i U S S    yes no yes no            unstable. after second 3 sensor - G the of reading the 3 g U   3 3 0 proj U U    g g g Stable ?        0 stdev g U v v v v     S stdev  Detect v v     3 stdev U event       event AI 圖 2 路面異常偵測流程圖 2. 異常點分群演算法 在收集大量的異常路面偵測資料後，考 量到手機裝置本身俱有的GPS精準度誤差， 因此本論文經由分群演算法來將誤差降低 至 5-10 公尺，參考 DENCLUE 分群法[7]而 設計一套適用於路面異常點的分群方法，為 加快計算速度，避免對每個資料點皆計算其 密度，而花費過多時間，可同時結合在[8] 中的網格表示法，將地圖上之經度和緯度做 為網格中的兩個維度，收集到的資料點距離 (2) 通訊應用程式介面 資料收集 / 資訊分享 (1) 智慧探偵車 (6) 工作者 應用程式 II. 雲端服務 III. 道路管理者 I. 道路使用者 眾源資料 (4) 智能引擎 · 原始資料 · 道路異常資訊 · 相片 (3) 道路資訊資料庫 (5) 管理者網頁 · 查詢及報表輸出 · 修復績效評估 · 特殊查詢 道路資訊 監察者更新        · 分群 · 道路圖資        先進導 航模組 行動感 測模組 道路資訊 路面異常 分群
4. 越近 ， 影響程度高 ； 距離越遠則影響程度低。 可依經緯度切割地圖取得一個個邊長約 10 公尺的單位網格，設定此邊長之因素為考量 到本系統收集之位置來源為一般智慧型手 機的 GPS 接收器，此裝置具約 3-20 公尺的 誤差範圍 ， 目標為降低誤差至低於 10 公尺， 因此設定網格的單位長度為約 10 公尺。並 設定最大的影響距離為與網格單位長度相 同，而密度篩選值則設為 3，預期各群組需 達到至少有 3 台車輛回報異常點的次數才成 立。 計算的簡易流程圖如圖 3，下述為各步 驟說明： Step 1. 計算輸入資料包含新增的原始異常 點資料和已分群計算獲得的異常點結果，先 判斷所有收集之異常點資料所屬格子，並計 算各格子內所累積之異常點個數，依數量計 算密度，並依密度值的大小做排序。 Step 2. 由密度值最高且大於的網格開始向 外吸收周圍其它格子內之異常點，該異常點 與目前網格內的所有成員需滿足距離皆小 於的條件，符合者則可併入此群組中，依 此方法直到查詢完所有密度大於的網格周 圍異常點，並無法再合併群組為止。 Step 3. 接續為平均計算出各組內代表性群 首的位置、震動值等級、車速、通過率、日 期時間及累計的異常點個數等資訊為最終 的分群結果，並將此資訊更新於分群資料表 中，未分群之異常點則會先暫存，並等待下 次執行分群計算時再運算。 查詢異常路面原始 資料 判斷所屬網 格 統計各網格中的密 度並由大至小排序 構成群組的條件為 密度需 ≧ 查詢周圍網格內的 資料 異常點資料與組內網格中 各點距離皆 ≦ε 將此異常點併 入群組 查詢完畢並計 算組內的群首 是 否 異常點是否 已存在? 否 合併已存在 與新增的異 常點資料 是 完成所有周圍 網格的查詢 異常點資訊資 料表 分群資料表 更新/ 新增 更新/ 新增  圖 3 分群演算法流程 五、系統實作 1. 系統主要包三項實作應用服務程式 ， 下 列說明各應用程式功能與實作畫面。 I. 智慧探偵車應用程式 主要為協助收集路面偵測異常點的偵 測回報服務 ， 以及提供導航警示提醒駕 駛者前方異常路面 ， 應小心行駛服務。 由圖 4 能觀察到藍線為震動的標準差 波形 ， 當波形高於所有狀態下黃線所表 示的平均標準差，則開始進行偵測。 圖 4 偵測異常點波形顯示圖 圖 5 為本程式的導航畫面，地圖中右 上角兩個圖示 ， 喇叭圖案為啟動語音警 示的開關 ， 另一圖示則為地圖模式切換 靜態、旋轉和回到當前位置的功能，圖 中黃色圖示為偵測到的異常點 ， 而白色 圖示則為已知的道路不平處 ， 此外也能 由選單設定地圖顯示的異常點震動等 級和遭遇機率。 圖 5 導航警示服務系統 II. 工作者應用程式 主要分為監察者和施工人員兩種使用 者，監察者為執行異常點分類、修復檢 驗和新增的工作 ， 而施工人員則是於道 路修復完畢後 ， 立即回報已鋪平路面。 監察者的分類工作畫面如圖 6 ， 為選擇 異常點類型 、 處理方法和拍攝等動作。 圖 6 工作者分類異常點功能 III. 道路品質管理網頁 提供道路管理者查詢目前道路狀況 ， 以 分派處理人員 ， 也提供初步統計在各區 域的道路異常維修狀況 ， 助於評估修復 績效 ， 並皆能輸出報表以儲存公務證明。 管理網頁的查詢步驟如圖 7 ， 為設定查 詢條件後 ， 即可在地圖看到勾選異常點 類型的分布 ， 並能查看單一異常點狀態， 產生報表列印或儲存。
5. 圖 7 管理網頁查詢功能 2. 智能引擎 (Intelligent Engine)： 此部分為執行資料探勘之重要核心，可分為 (1)執行分群演算法計算和 (2)結合道路資訊 查詢更新異常點資訊等兩步驟 3. 資料庫設計： 本系統之資料庫設計如圖 8 ，共包含 Raw Data、Abnormality、Photo、Clustering、Road 等五個資料表。 圖 8 系統之資料庫設計 4. Demo 環境： 整體系統架構包含智慧手機探偵車 APP、工 作者 APP 與網頁查詢管理系統，將於一般道 路上進行實測。 5. Demo 步驟流程： 系統針對一異常點的監察與修復分成四大 步驟如圖 9，依序為車載系統的自動偵測與 工作者回報、新增異常點的未分類確認、修 復異常點派工、已修復異常點的確認，最後 進行維護績效的評估。 圖 9 道路異常點的維護工作流程 六、實驗設計與結果 本系統的偵測方法具兩大優點，其一為 運用異常點的震動分級，能找出最佳的判斷 路面異常震動門檻值，其二為不受各種影響 車輛震動因子，皆能成功偵測到路面的異常， 因此設計兩組實驗進行驗證。 1. 異常點指標門檻值設定 首先運用較精準的 GPS 位置接收器，找 出交大校內道路上的異常點位置，經由比較 偵測點與相近的實際異常點位置相距在 10 公尺以內則為有確實偵測到，因此能定義在 繞行路線中偵測異常點的真陽性率 (正確)、 偽陽性率 (誤判)、偽陰性率 (漏報)等，經由 這些機率值進行各種門檻值設定的偵測準 確性比較，找出最佳的設定值。各機率值的 定義如下：  真陽性率 (True Positive)：本來是異常 點且正確偵測到 = 偵測到正確異常點數 真實存在異常點數 。  偽陽性率 (False Positive)：本來不是異 常點卻誤判偵測到= 偵測到不正確異常點數 偵測到的異常點數 。  偽陰性率 (False Negative) ：本來是存 在 的 異 常 點 卻 漏 報 沒 被 偵 測 到 = 未偵測到的正確異常點數 真實存在異常點數 。 實驗一、異常點指標門檻值設定 實驗環境的車種為電動高爾夫球車，手 機類型為 HTC OneX ， 手機擺放方向為橫向， 車架為立式車架，車速盡量控制為時速 20 公里/小時。實驗路線為繞行交大校內道路， 如下圖 10： 圖 10 實驗路線一 操縱變因是設定用以判斷偵測異常點 指標門檻值的大小。實驗結果的數據分析如 下表 1： 門檻值 真陽性率 偽陽性率 偽陰性率 AI > 2.5 0.842105 0.173913 0.157895 AI > 3 0.789474 0.014493 0.210526 AI > 3.5 0.684211 0 0.315789 AI > 4 0.578947 0 0.421053 AI > 5 0.368421 0 0.631579 表 1 實驗一分析偵測準確性 由實驗結果得知設定異常點指標門檻 值為 3 能得到較佳的偵測準確性，偵測正確 率約 8 成，且誤判率極低只有 0.01，漏報率 則約 2 成。正確率無法具更高的提升推測有 兩項原因，其一為存在異常路面的位置未必 行經的每一輛車皆會直接通過，因此無法偵 測到；另一項原因為若兩異常路面位置極為 接近，則可能僅偵測到一個異常點事件。 2. 不受車輛震動因子影響 會影響到行駛車子的震動因素包含車 種、手機類型、手機擺放方向、車架種類、 管理系統 iPave車載系統 自動偵測 工作者回報 確認及照相 列印報表派工 “修復待確認” 維護績效 查詢 查詢及應用 (1) 新增 (3) 修復確認 列印報表派工 “未分類” 分類及照相 資料來源 道路維護 列印報表派工 “待修復” 修復及照相 (2) 修復 起點
6. 車輛速度、通過異常點類型等。我們挑選其 中的車架、手機擺放方向等因素做為操縱變 因，進行偵測異常點指標比較的實驗。 實驗二、不同車架之異常點指標 實驗環境的車種為電動高爾夫球車，手 機類型為 HTC OneX，手機擺放方向固定為 橫向擺放，車速固定為時速 20 公里/小時， 異常點固定於同一減速丘。 實驗路線為繞行交大校內公車站牌前 停車場一圈，如圖 11： 圖 11 實驗路線二 此次實驗操縱變因為車架類型的不同， 分為掛於車子前方擋風玻璃和固定於儀表 板上方平台的車架。實驗收集數據如表 2： 車架 車速(km/hr) 異常指標 平穩標準差 掛式 18.1 6.737442 1.03193 立式 18.82 7.141476 0.51725 表 2 實驗二偵測資料 實驗三、不同手機擺放方向之異常點指標 實驗環境車種為電動高爾夫球車，手機 類型為 HTC OneX，車架為掛式車架，車速 固定為時速 20 公里/小時，異常點固定於同 一減速丘 。 實驗路線同於前次實驗的圖 11。 操縱變因則改設定手機擺放方式，分為 直立與橫向等兩種。實驗結果如表 3： 擺向 車速(km/hr) 異常指標 平穩標準差 直立 13.96 7.742903 0.86299 橫向 18.1 6.737442 1.03193 表 3 實驗三偵測資料 由實驗二和實驗三結果得知偵測的異 常點指標僅輕微受到各種車輛震動影響因 素，會有約 0.4 至 1 的差值，可能為車速和 計算之平穩狀態標準差不同所導致，但不影 響偵測的正確性。 七、結論 本系統為提出透過智慧型手機探偵車 廣泛並大量的收集道路路況資料，能自動且 即時的監測路面狀態，無需經由人工巡視方 式確認各道路的平穩性。並透過雲端服務系 統同時匯整所收集的眾源資料，經由資料探 勘處理後，分享最新之道路異常路面資訊， 提供車輛駕駛安全警示服務與道路修繕單 位查詢目前路面品質，對於民眾與政府彼此 間存在互助共利的關係。 推廣系統之主要使用者仍著重於政府 機關道路管理單位，由自動化偵測功能以避 免花費過多人力於觀察巡視所有道路狀況， 而能針對需修復道路進行重點維護與監督 確認，並由有秩序地依修復流程層層把關， 提高異常點修復審核的確認標準，以避免花 費不必要之金錢及時間於反覆修路工程。 八、未來研究 更進階之後續研究可依據震動等級進 行異常點類型的分類，以達到完全自動化偵 測的功能。並由震動等級大小及分布情形， 訂定道路品質規範，做為評估道路好壞及排 定修復的優先順序。另外可對統計道路的修 復異常點個數及修復時間進行分析，制定道 路維護評估標準，並將各縣市或道路進行排 序，鼓勵各負責單位正視且積極有效地維護 管理路面品質。同時可由分析修復時間的長 短，及修復後的持續性，來評估道路修復效 能，以做為控管施工廠商的維修品質依據。 參考文獻 [1] J. Eriksson, L. Girod, B. Hull, R. Newron, S. Madden, and H. Balakrishnan, “The pothole patrol: Using a mobile sensor network for road surface monitoring,” in the 6th international conference on Mobile systems, applications and services (MobiSys 08), 2008, pp. 29–39. [2] P. Mohan, V. N. Padmanabhan, and R. Ramjee, “Nericell: Rich monitoring of road and traffic conditions using mobile smartphones,” in the 6th international conference on Embedded network sensor systems (Sensys 08), November 2008, pp. 357–358. [3] A. Mednis, G. Strazdins, R. Zviedris, G. Kanonirs, and L. Selavo, “Real time pothole detection using android smartphones with accelerometers,” in 2011 International Conference on Distributed Computin [4] http://www.road.tcg.gov.tw/ROADRCIS/ [5] http://rdm.ntpc.gov.tw:8081/Road/ [6] 粘家盛， 「用於路面異常偵測之智慧型手 機探偵車系統」 ，國立交通大學，碩士論 文，民國 101 年 7 月 [7] A. Hinneburg and D. Keim, “An Efficient Approach to Clustering in Large Multimedia Databases with Noise,” in Proc. of the ACM SIGKDD, 1998, pp. 58–65 [8] 楊孟翰， 「空間物件比對與變遷分析的技 巧應用於資料發掘上」 ，國立臺灣大學， 碩士論文，民國 90 年 6 月。 起點