Лазер и дорожные знаки помогут в создании умного города
Американские инженеры предложили использовать поверхности с катафотным отражающим покрытием, в том числе дорожные знаки, в качестве датчиков умного города. Для этого они предлагают светить на такие поверхности лазером и по изменению светимости отслеживать их колебания, по сути выполняя роль акселерометра. Это позволяет отслеживать различные события, для которых сегодня применяют множество отдельных датчиков, к примеру, трафик автомобилей на улицах или прибытие автобуса на остановку. Статья была представлена на конференции CHI 2021.
Многие аспекты «жизни» современного города, особенно касающиеся транспорта, отслеживаются с помощью огромного количества датчиков. К примеру, в некоторых российских городах используются светофоры, которые переключаются в соответствии с плотностью трафика, рассчитываемой в реальном времени по данным с системы видеоконтроля. Также контроль трафика полезен для урбанистов и специалистам по планированию движения на улицах, чтобы понимать загруженность улиц в течение времени. Подобных примеров существует довольно много и для каждого из них необходимы датчики, которые могут быть недорогими, но вместе с установкой и обслуживанием обходятся довольно дорого.
Криса Харрисон (Chris Harrison) вместе с коллегами из Университета Карнеги — Меллона предложил заменить специальные датчики для отслеживания тех или иных уличных процессов на лазерную виброметрию. При этом методе лазерный луч посылается на интересующий объект, отражается от него и отражение считывается фотодетектором. Если во время измерения на поверхности объекта возникают механические колебания, отраженный сигнал будет меняться в соответствии с ними. Совпадение механических колебаний с изменением светимости отраженного луча настолько велико, что это позволяет даже подслушивать разговоры на расстоянии.
Если использовать лазерную виброметрию с обычными повседневными объектами, то расстояние для надежного обнаружения колебаний в сигнале, как правило, составляет несколько метров. Если же использовать катафоты или другие поверхности, адаптированные для направленного отражения в обратную сторону, дальность значительно увеличивается. Ключевая идея авторов работы заключается в том, что метод можно реализовать, имея только лазерную установку и используя дорожные знаки, в которых практически всегда используется катафотное покрытие, «подсвечивающее» знак светом автомобильных фар.
Инженеры провели расчеты для пяти городов в США, Великобритании, Германии и Китае, и выяснили, что средняя плотность катафотных поверхностей (имеется в виду один объект с таким покрытием, например, дорожный знак, шлагбаум с светоотражающей полосой и тому подобное) составляет около семи тысяч на квадратный километр.
Установка, которую использовали авторы, состоит из лазерного блока и подвижной платформы. Платформа может поворачиваться и наклоняться с точностью 0,00625 градуса, что дает смещение пятна луча в один сантиметр на расстоянии 100 метров. Лазерная установка состоит из фотодетектора, лазерного дальномера и отдельного 200 милливаттного лазерного излучателя с длиной волны 650 нанометров. Сам по себе излучатель относится к опасному классу лазеров (3B), однако авторы снизили его опасность до допустимой тремя способами: расфокусировали и тем самым уменьшили опасную для глаз дистанцию до 46 сантиметров, установили длительность импульса равной 50 микросекунд и решили размещать установку в возвышенных местах, чтобы снизить вероятность зрительного контакта с излучателем.
Инженеры разработали метод калибровки установки перед началом работы. После размещения установка начинает сканировать пространство, поворачиваясь на 0,05 градуса и проходя таким образом все интересующее поле обзора ряд за рядом. В каждой точке сначала дальномер измеряет расстояние, затем фотодетектор измеряет нормальный уровень освещенности, после чего лазер производит импульс и фотодетектор замеряет отраженный свет. После сканирования по данным дальномера составляется карта глубины, которая затем позволяет нормализовать и данные об освещенности с учетом удаленности, после чего алгоритм отсеивает все пиксели ниже порогового значения и обнаруживает отражающие поверхности. Когда сканирование выполнено, установка может измерять колебания на обнаруженных отражателях, концентрируясь на одном из них или переключаясь между ними при помощи поворотной платформы.
Авторы протестировали установку, разместив в багажнике минивена большую колонку для создания колебаний. На центр колонки они по очереди наклеивали 16 разных светоотражающих элементов, встречающихся в городе. Размещение в минивене позволило им отъезжать и менять расстояние от лазера. Подавая на динамик разные сигналы (синусоидальный и с качающейся частотой), увеличивая расстояние до 512 метров и меняя угол, они убедились, что установка способна восстанавливать сигнал в таких условиях и с разными отражателями.
Разработчики предложили и показали различные практические применения системы, в том числе обнаружение приезда автобуса на остановку, подсчет трафика, определения типа автомобиля по вибрациям двигателя на номерном знаке, определение занятости парковочного места и другие.
В прошлом году инженеры научились использовать виброметрию, чтобы подслушивать разговоры в комнате по свечению лампы.
Григорий Копиев
Она пригодится для прогноза погоды и поиска загрязнений в океане
Инженеры из MIT придумали модель, которая предсказывает океанические течения с помощью машинного обучения. Она хорошо отражает физические свойства течений, поэтому работает точнее других методов. Препринт исследования доступен на arXiv.org. Ученые исследуют течения, чтобы получать информацию о состоянии океана: искать нефтяные и пластиковые загрязнения, отслеживать передвижение рыб и водорослей. Если знать направление течений, можно точнее предсказывать погоду или даже нейтрализовать последствия аварий, таких как пожар на буровой станции Deepwater Horizon в Мексиканском заливе в 2013 году. Данные о направлении течений помогут оценивать масштабы катастроф, чтобы защищать ближайшие воды и побережья. Чтобы изучать течения, в океан запускают буи с GPS. По скорости движения буев определяют скорость и направление океанических течений, а также их закрученность и дивергенцию. Закрученность — это вращательное движение течения вокруг воображаемой оси, похожее на спираль. А дивергенция описывает, как вода опускается или поднимается в процессе движения. Иногда несколько течений объединяются и опускаются ближе ко дну, а иногда — поднимаются к поверхности и растекаются в разные стороны. В 2019 году ученые начали моделировать океанические течения с помощью Гауссовского процесса. Это метод машинного обучения, который основан на вычислении вероятностей. Но первые Гауссовские модели течений оказались неточными с физической точки зрения. Дело в том, что в модель Гауссовского процесса можно добавить информацию о распределении данных. В старую модель добавлялась информация о распределении одной величины — скорости буев. Поскольку величина только одна, закрученность и дивергенция в модели считаются распределенными одинаково и действуют в одном масштабе. Но с физической точки зрения это неверно. В реальности радиусы спиралей, которые образуют закрученные структуры воды, на порядок больше, чем масштабы схождений и расхождений течений при дивергенции. Группа ученых из Массачусетского технологического института (MIT) под руководством Тамары Бродерик (Tamara Broderick) придумала новую модель Гауссовского процесса, которая лучше отражает физические свойства океанических течений. Модель основана на теореме Гельмгольца о разложении векторного поля. Океан здесь выступает в роли векторного поля, каждая точка которого представляет скорость и направление движения воды. По теореме Гельмгольца, одно векторное поле можно представить как сумму двух других векторных полей. В случае с океаном, первое поле определяет закрученность течений, при нулевой дивергенции. А второе — дивергенцию течений, но без закрученности. Это позволило ученым добавить в Гауссовский процесс информацию о том, как распределены данные в каждом поле по отдельности. Такая модель более правильная с точки зрения физики и работает лучше. Качество проверяли на реальных и искусственных данных. Реальные данные получили от более чем 1000 буев в Мексиканском заливе Атлантического океана. Их записывала другая исследовательская группа в течение 2 месяцев в 2016 году, и собрала больше 10 миллионов примеров для обучения. Новую модель сравнили со старым алгоритмом, основанном на Гауссовском процессе без теоремы Гельмгольца. Модели оценивали на трех группах заданий: по предсказанию скорости, закрученности и дивергенции течений. Новая модель Гельмгольца обошла конкурентов в 20 из 24 экспериментов. Средняя ошибка модели Гельмгольца в экспериментах по предсказанию скорости составила 0,42, старой модели — 0,7. Средняя ошибка в предсказании дивергенции оказалась 0,53 для модели Гельмгольца и 0,54 для старой модели. Наконец, средняя ошибка модели Гельмгольца в экспериментах по предсказанию закрученности составила 0,47, а старой модели — 0,77. Ученые утверждают, что новая модель требует ненамного больше вычислительных ресурсов, хотя работает эффективней. Дальше авторы планируют научить ее предсказывать, как океанические течения меняются с течением времени. Другая задача, которую еще предстоит решить — как сделать модель более устойчивой к шуму в обучающих данных. Помимо неустойчивости к шуму, модель страдает от разрозненности данных. Буев, которые собирают данные, ограниченное количество. Все они находятся на разном расстоянии от друг друга, то есть распределены неравномерно. Это ограничивает эффективность модели. Модель научилась предсказывать течения в Атлантическом океане и сможет помочь следить за его загрязнением, но другие океаны тоже страдают от мусора. Недавно команда экологов исследовала загрязнения в Тихом океане и описала целую экосистему, которая образовалась в Большом тихоокеанском мусорном пятне. Там на плавающих кусках мусора активно живут и размножаются разные виды беспозвоночных.