Schreder TrafficAnalysis PT

The Schréder lighting and beyond lighting solutions bring meaningful moments to people by enhancing safety, well-being and sustainability in public spaces.

Uma visão sobre Análise de tráfego com visão computacional

WHITE PAPER

Conteúdos

• Resumo • Introdução • Métodos • Resultados e discussão • Observações • Conclusão • Referências • Informação de apoio

Resumo

resilientes, distribuídas e autónomos, que servirão de espinha dorsal para a implementação de tecnologias e equipamentos que permitam a transição para uma cidade inteligente. Foram instalados três pilotos de demonstração nos concelhos de Cascais, Loures e Oeiras, abrangendo 9 intersecções. Os resultados mostram que esta solução é adequada para a monitorização do tráfego e será uma fonte de informação para futuros projetos nos locais estudados

De acordo com as Nações Unidas, 68% da população mundial viverá em zonas urbanas até 2050 . Isto terá um grande impacto na forma como as cidades terão de planear e gerir os espaços públicos. A compreensão dos fluxos de tráfego será fundamental para otimizar a mobilidade nesses espaços públicos. Neste projeto, a infraestrutura de iluminação urbana foi utilizada para testar uma solução para medir o

fluxo de tráfego em interseções chave. Foi utilizado e instalado um dispositivo de

computação periférica alimentado por IA em postes de iluminação pública. Estes dispositivos incluem dois sensores de visão que são utilizados para múltiplas aplicações de tráfego. Este projeto visa desenvolver um novo paradigma de infraestruturas urbanas conectadas localizáveis, interoperáveis, cibe seguras,

3 projetos piloto

9 interseções

30 dias

de dados

According to the United Nations, 68% of the world’s population will live in urban areas by 2050. This will have a major impact on the way cities will have to plan and run public spaces. Understanding traffic flow insights will be key to optimise mobility in those public spaces. In this project, urban lighting infrastructure was used to test a solution for measuring traffic flow at key intersections. An AI- powered edge computing device was used and installed in public light poles. These devices feature two vision sensors that are used for multiple traffic applications. This project aims to develop a new paradigm of localisable, interoperable, cyber- secure, resilient, distributed, autonomous, and connected urban infrastructure that will serve as the backbone for the implementation of enabling technologies and equipment for the transition to a smart city. Three demonstration pilots were installed in the municipalities of Cascais, Loures, and Oeiras, covering 9 intersections. The results show that this solution is suitable for traffic monitoring and will be a source of information for future projects in the studied locations.

Introdução

As Nações Unidas preveem que, em 2050, as zonas urbanas albergarão 68% da população mundial[1] . Este facto afetará a forma como as cidades terão de organizar e gerir os espaços públicos, uma vez que estes acolhem caraterísticas distintas do comportamento humano, como a interação social, a criatividade, as atividades económicas e o entretenimento. Ao planear novas áreas, muitos princípios de desenvolvimento sustentável podem ser prontamente aplicados, uma vez que existe informação disponível para tomar decisões informadas. No entanto, isto é mais difícil nas zonas históricas e consolidadas. Em contextos urbanos, o espaço público desempenha um papel fundamental para tornar as cidades habitáveis. O espaço público não é fácil de definir e tem muito diferentes caraterísticas e elementos, consoante os contextos culturais e geográficos. O espaço público é qualquer local acessível que reúna pessoas numa base pública. Inclui praças públicas, mercados, monumentos, parques, praias públicas, margens de rios, bem como passeios enão basta que uma cidade disponibilize espaço suficiente para utilização pública; deve também assegurar que o espaço é bem mantido e gerido para que possa servir eficazmente o seu objetivo.

Isto levanta outras questões sobre a qualidade do espaço público, tais como a forma de o tornar seguro e acessível a todos os utilizadores e a forma de financiar os custos de criação e manutenção desses espaços. As cidades utilizarão as novas tecnologias e a inovação para lidar com problemas atuais e futuros em áreas como os transportes e a mobilidade ou a participação dos cidadãos, tornando-as digitais (ou "inteligentes"). As cidades terão também de se tornar mais conectadas para poderem utilizar atempadamente dados de alta qualidade para melhorar a gestão urbana e tomar medidas corretivas rápidas para atenuar os conflitos nos espaços urbanos .[2] Um dos principais desafios que as cidades inteligentes enfrentam é a forma de gerir o congestionamento do tráfego e melhorar a mobilidade dos seus cidadãos. O tráfego afeta não só a eficiência e a produtividade da vida urbana, mas também o ambiente, a saúde e a segurança das pessoas. Por conseguinte, é crucial que as cidades inteligentes monitorizem e otimizem o fluxo de tráfego utilizando soluções inovadoras baseadas em dados e tecnologia. Nesta investigação, desenvolvemos um protótipo especificamente concebido para aplicações em cidades inteligentes. Este protótipo, alojado na infraestrutura de iluminação pública, mediu o fluxo de tráfego em interseções chave de três municípios da área metropolitana de Lisboa. 5

Métodos

A solução de tráfego foi testada em três concelhos diferentes: Cascais, Loures e Oeiras. Foram identificados nove locais (L1- L9) com um total de dezassete sensores de visão instalados na infraestrutura de iluminação pública (ver Figura S1 na secção Informações de apoio). Com o objetivo de medir o fluxo total de tráfego, três locais têm energia disponível 24 horas por dia (L1-3) e correspondem a interseções- chave onde se espera um elevado fluxo de tráfego e conflitos, especialmente durante as horas de ponta. Os outros locais, L4-9, só têm energia disponível durante a noite (alimentados por redes comutadas) e correspondem a estradas individuais. Estes locais correspondem a zonas residenciais - ou acessos a zonas residenciais - onde se pretendeu identificar momentos de potencial excesso de poluição sonora. Os dados foram recolhidos ao longo de dois meses (abril e maio) com interrupções aleatórias devido

a paragens inesperadas dos dispositivos. No entanto, foram recolhidos cerca de 30 dias de dados por dispositivo. Os sensores de visão foram ligados a dispositivos Jetson Xavier NX com Jetpack 5.0.2 GA e todo o software foi implementado e gerido através de contentores Docker. A inferência é efetuada por uma versão modificada do programa YOLO-v7 [3, 4] que foi adaptado para melhorar o desempenho quando alimentado com fluxos de vídeo de cima para baixo, típicos quando os sensores são instalados em postes de iluminação. O algoritmo Deep SORT [5] foi utilizado para seguir os objetos detetados pelo modelo de visão. Estes objetos são depois contados quando atravessam uma barreira configurada para cada perspetiva de câmara. Para este efeito, consideramos a soma de todos os veículos (automóveis, autocarros, camiões, motociclos e bicicletas).

ANÁLISE DE DADOS Todas as análises de dados foram efectuadas com Python 3, em blocos de processamento de uma hora e, como temos dados esparsos em alguns casos, foram utilizados valores medianos. As horas de ponta foram definidas com base nos dados de terça, quarta e quinta-feira e são definidas da seguinte forma

• Período da manhã: das 7h às 9h • Período da tarde: das 16 às 19 horas. Para os aparelhos alimentados apenas durante a noite: • Período noturno: das 21h00 às 23h00

• Período noturno: das 2h às 4h • Período da manhã: das 5h às 6h.

Methods Resultados e Discussão

Com a solução implementada no terreno, foram recolhidos dados de deteção anónimos nos locais acima referidos sempre que os dispositivos estavam ligados. Isto significou dias inteiros para os dispositivos nos locais L1 a L3, uma vez que estão numa rede permanente, e cerca de 10 horas por dia para os dispositivos nos locais L4 a L9, uma vez que estão numa rede comutada ligada ao programa de iluminação pública. A nossa abordagem para avaliar a contagem de tráfego foi efetuada através do cálculo dos valores medianos por hora e dia útil (Figura 1 e S2). Observações Em termos de qualidade de imagem, uma primeira observação é que a visibilidade reduzida durante a noite não afectou a viabilidade da solução. Degradou, sim, a qualidade do fluxo de vídeo da câmara, produzindo quadros de vídeo com muito mais ruído do que durante o dia, mas permitindo, ainda assim, a realização de detecções. Esta degradação da imagem foi melhor ou pior consoante as condições de iluminação de cada local, sendo que os locais com lâmpadas de descarga de alta intensidade (HID), especialmente as de sódio (tanto HPS como LPS), produziram os fluxos mais degradados. Antes de nos debruçarmos sobre os pormenores dos resultados, observámos algumas tendências gerais que, embora esperadas, devem ser mencionadas.

Verifica-se uma redução significativa do volume de tráfego durante as horas noturnas, tendência que se alinha com as expetativas para zonas residenciais e respetivas vias de acesso, como as que estão em estudo. O tráfego é menor aos fins- de-semana e nos feriados. Esta diferença é menor do que a observada entre o dia e a noite, mas a tendência é clara. O trânsito em hora de ponta é muito frequente nas cidades e nos seus subúrbios e é bastante visível nos dados recolhidos em todos os locais. Dados mostra um pico de tráfego durante um período da manhã (das 7h às 9h) e da tarde (das 16h às 19h).

2. 3.

Comparação de localizações

• Entre L1 e L2, a diferença entre volumes de tráfego altos e baixos também é observada: as barreiras em L1, e as barreiras B2.1 e B2.3 têm volumes de tráfego muito mais elevados do que a barreira B2.2, uma vez que esta última já é uma estrada terciária numa zona residencial. • Os volumes globais mais elevados são observados para L1. A zona residencial (L3), que inclui uma rotunda com quatro saídas e uma pequena interseção, é mais detalhada. Os padrões aqui observados são heterogéneos entre as barreiras, uma vez que estamos a monitorizar várias ruas relativamente pequenas com tráfego intenso. Além disso, as perspetivas das câmaras também são heterogéneas para este local, o que pode afetar os resultados obtidos (a avaliação deste efeito está fora do âmbito deste trabalho). Existem, no entanto, alguns pormenores interessantes, que reforçam a qualidade desta solução. Por exemplo, na barreira B3.2 aos sábados, observa-se um pico anormal em direção a norte. Este pico é semelhante aos valores observados durante a hora de ponta, embora um pouco mais tarde (o pico dura até às 11 horas), o que provavelmente corresponde a carros que se dirigem ao centro comercial que se situa alguns metros a norte da rotunda.

A comparação do fluxo de tráfego em diferentes locais é uma boa fonte de informação para compreender a qualidade dos nossos resultados e para destacar o comportamento diferente do tráfego em diferentes cenários. Considerando as localizações L1 a L3, temos:degradation was better • A L1 é uma estrada nacional que faz a ligação aos principais acessos de e para a área metropolitana de Lisboa e, como tal, é expetável que tenha o maior volume de tráfego. • A L2 é uma estrada nacional/grande que deverá registar um volume de tráfego elevado, embora inferior ao da L1. • A L3 é uma zona residencial e, por conseguinte, deverá registar os volumes de tráfego mais baixos.s. Esta diferença entre os cenários é observada nos nossos resultados, o que também valida as expetativas que se seguem: • L1 e L2 apresentam picos de volume de tráfego na ordem dos 600 a 1000 veículos por hora, enquanto que em L3, os picos de volume de tráfego só ultrapassam os 500 para a barreira B3.3 e rondam os 200 a 300 para todas as outras.

Figura 1: Representação por código de cores dos valores medianos do tráfego por hora para todos os dias da sema- na ("hol" representa os feriados nacionais) e "bri" para os dias entre feriados e fins-de-semana). O código de cores vai do azul (menos carros) ao verde e ao vermelho (mais carros).

Hora de ponta O tráfego nas horas de ponta é visível, de manhã e à tarde nos dias úteis, em todas as barreiras, como indicado pelas zonas vermelhas nos mapas de calor (Figura S2). Este efeito é mais evidente às terças, quartas e quintas-feiras, provavelmente porque as pessoas se deslocam a partir das suas casas, que estão mais próximas dos seus locais de trabalho, ao contrário das segundas e sextas- feiras, que, estando mais próximas do fim de semana, permitem que as pessoas se desloquem de/para diferentes locais e/ou a diferentes horas (por exemplo, praia/casa de campo).

Os dados do mapa de calor também mostram que o tráfego da hora de ponta tende a mudar da manhã para a tarde no mesmo local, mas na direção oposta. Por exemplo, para B1.1 Norte, as células vermelhas do mapa de calor são observadas durante a tarde, enquanto que para Sul são observadas durante a manhã. A partir destes resultados, o tráfego específico da hora de ponta observado foi calculado tomando o número mediano de veículos por hora para os períodos da manhã (7h às 9h) e da tarde (16h às 19h) (Figura 2-Figura 4).

TARDE

MANHÃ

Figura 2. Comparação entre o tráfego da manhã e da tarde durante as horas de ponta para a localização L1. Os nomes das barrei- ras e a contagem mediana do tráfego por hora para cada sentido estão representados nas imagens.

Como mencionado, a L1 é uma estrada grande com muito tráfego, com diferenças significativas entre a manhã e a tarde (Figura 2). De manhã, a maioria dos veículos em ambas as barreiras dirige-se para sul. Esta tendência é parcialmente invertida durante a tarde. Para B1.2, há mais veículos que se dirigem norte, ao passo que para B1.1, tal não

se observa mas há uma diminuição dos veículos que se dirigem para sul e um aumento no sentido inverso. Estas observações confirmam que captámos o efeito da hora de ponta e que se trata de uma zona com volumes de tráfego elevados que se mantêm para além das 19 horas.

MANHÃ

TARDE

Figura 3. Comparação entre o tráfego da manhã e da tarde durante as horas de ponta para a localização L2. Os nomes das bar- reiras e a contagem mediana do tráfego por hora para cada sentido estão representados nas imagens.

L2 é também um local com elevado volume de tráfego, mas é adjacente a uma zona residencial. Por estas razões, a tendência na hora de ponta (Figura 3) é semelhante à observada em L1 (a tendência é invertida entre a manhã e a tarde). No entanto, como o B2.2 já se encontra numa zona residencial, apresenta muito menos tráfego do que os outros dois e a inversão não é evidente neste caso, sugerindo que são sobretudo os residentes que utilizam esta via. Curiosamente, existe uma diferença muito grande entre as contagens para norte na B2.3 e na B2.1 (587 -> 316 de manhã e 998 -> 281 à tarde), o que indica que a maioria dos carros está a virar para oeste neste cruzamento. O mesmo se aplica às contagens para sul, que são muito mais elevadas na B2.3 do que na B2.1, sugerindo que alguns destes carros podem estar a vir de oeste.

A zona residencial (L3) também apresenta a mesma inversão na hora de ponta para a maioria das barreiras (Figura 4). No entanto, este efeito não é tão evidente como nos dois primeiros locais, provavelmente pelas mesmas razões mencionadas acima (tipos de interseção heterogéneos e ângulos de câmara). Nestas zonas, especialmente durante as horas de ponta, as pessoas tendem a tentar percursos diferentes (e inesperados) para evitar o congestionamento, muito provavelmente utilizando opções diferentes de manhã e à tarde. Apesar da maior complexidade deste local, existem algumas observações que são consistentes com o comportamento esperado, tais como B3.3 de manhã mostra muito mais tráfego a ir para sul (longe da área residencial), e B3.5 à tarde mostra muito mais tráfego a ir paranorte (a regressar do trabalho).

Figura 4. Comparação entre o tráfego da manhã e da tarde durante as horas de ponta no local L3. Os nomes das barreiras e a contagem mediana do tráfego por hora em cada sentido estão representados nas imagens..

Noise pollution during the night

De acordo com a Diretiva Ruído Ambiente, o ruído ambiente é definido como som indesejável ou prejudicial derivado da atividade humana, incluindo o ruído emitido por meios de transporte - tráfego rodoviário, ferroviário e aéreo, e de locais de atividade industrial (Diretiva 2002/49/CE 2002). Esta diretiva identifica o ruído do tráfego rodoviário como a fonte predominante de ruído dia-entardecer-noite [6]. Para as localizações L4 a L9, em que os aparelhos só eram alimentados durante a noite (de acordo com os horários de iluminação pública), o volume de tráfego foi comparado entre

três períodos definidos (ver Quadro 1): • Período noturno: das 21h00 às 23h00 • Período noturno: das 2h às 4h • Período da manhã: das 5h às 6h.

O número de veículos segue a tendência esperada, com mais veículos observados durante as primeiras horas da noite em comparação com os períodos noturno e matutino. Os valores obtidos para os períodos da madrugada são menores do que os obtidos durante a noite, sugerindo que um maior volume de tráfego começa após as 7 horas. O único local onde tal não se observa é L9, no entanto os números são demasiado pequenos e a diferença não é significativa (2 -> 5). A magnitude dos valores calculados é também a esperada; as localizações L4 a L6 têm volumes de tráfego mais elevados, uma vez que estão todas próximas dos pontos de entradada cidade. Por outro lado, os números para as localizações L7 a L9 são muito mais baixos, uma vez que estão mais próximas de zonas residenciais. Isto sugere que, nas zonas residenciais, o ruído do tráfego não é um problema e os residentes podem desfrutar de uma noite calma e tranquila. Note-se que, para L7, as más condições de iluminação (lâmpadas antigas de vapor de sódio) afectam os resultados e podem explicaros números muito baixos observados para este local).

Local

Noite cedo Noite

Manhã cedo

436

254

178

L9 5 Tabela 1. Mediana da contagem de tráfego por hora para os locais L4-L9 para o início da noite, noite e início da manhã. 34 2

Conclusão

Em conclusão, este trabalho apresenta uma implementação bem sucedida de um dispositivo de computação periférica alimentado por IA para medir o fluxo de tráfego em intersecções importantes com base em sensores de visão. A solução foi testada em três municípios, abrangendo nove intersecções e os resultados mostram que é adequado para a monitorização do tráfego. Os dados recolhidos podem ser utilizados como fonte de informação para futuros projectos nos locais estudados. A solução conseguiu captar o impacto do tráfego em hora de ponta e fornecer informações valiosas sobre os padrões de fluxo de tráfego. Além disso, a solução foi capaz de obter dados significativos tanto de dia como de noite, demonstrando a sua viabilidade. Globalmente, este projeto representa um passo em frente no desenvolvimento de um novo paradigma de infra-estruturas urbanas conectadas para a implementação de tecnologias de cidadesinteligentes.

André GlÓria Research Scientist Schréder Hyperion

Diogo Vila Viçosa Data Scientist Schréder Hyperion

com a participação de: Alexandre Bento, Lourenço Bandeira, Michael Steurer e Helmut Schröder

Referências

[1] Nações Unidas, Departamento de Assuntos Económicos e Sociais, Divisão da População (2019). Perspetivas de urbanização mundial: A revisão de 2018 (ST/ESA/ SER.A/420). Nova Iorque: Nações Unidas . [2] "Smart cities: background paper", Departamento de Negócios, Inovação e Competências do Reino Unido, Tech. Rep., 2013. [3] M. Goulão, L. Bandeira, B. Martins, et al. Treinamento de modelos de classificação de sons ambientais para implantação no mundo real em dispositivos de borda. Discov Appl Sci 6, 166 (2024). https:// doi.org/10.1007/s42452-024-05803-7 [4] J. P. Novo, M. Goulão, L. Bandeira, et al. Abordagens baseadas em aumento para superar a baixa visibilidade na deteção de objetos de rua. 2023 International Conference on Machine Learning and Applications (ICMLA), Jacksonville, FL, USA (2023), pp. 1943-1948, https://doi.org/10.1109/ICMLA58977.2023.00294. [5] N. Wojke, A. Bewley, D. Paulus. (2017). Rastreamento simples online e em tempo real com uma métrica de associação profunda. https://arxiv.org/abs/1703.07402 [6] A. Arregi, O. Vegas, A. Lertxundi, et al. Exposição ao ruído do tráfego rodoviário e seu impacto na saúde: dados de estudos em animais e humanos – stress crónico, inflamação e stress oxidativo como componentes-chave da complexa via a jusante subjacente aos efeitos não auditivos induzidos pelo ruído. Environ Sci Pollut Res 31, 46820-46839 (2024). https://doi.org/10.1007/s11356-024-33973-9

Informação de apoio

Localizações

Fig S1. Vista de satélite (google maps) do local L1. As barras magenta representam os locais onde o fluxo de tráfego foi medido.

Fig S1. (cont) Localização L2.

Fig S1. (cont) Localização L3.

Fig S1. (cont) Localização L4.

Fig S1. (cont) LocalizaçãoL8.

Fig S1. (cont) Location L5.

Fig S1. (cont) Localização L5.

Fig S1. (cont) Localização L9.

Fig S1. (cont) Localização L6.

Fig S1. (cont) Localização L7.

Gráficos de tráfego por barreira

Fig S2. Representação por código de cores dos valores medianos do tráfego por hora para todos os dias úteis (“hol” representa os feriados nacionais e “bri” os dias entre feriados e fins-de-semana). O código de cores vai do azul (menos carros) ao verde e ao vermelho (mais carros). A escala de cores muda para cada local (uma vez que a contagem também muda). O código da barreira e a direção são indicados no título.

Fig S2.(cont)

www.schreder.com

Page 1 Page 2 Page 3 Page 4 Page 5 Page 6 Page 7 Page 8 Page 9 Page 10 Page 11 Page 12 Page 13 Page 14 Page 15 Page 16 Page 17 Page 18 Page 19 Page 20 Page 21 Page 22 Page 23 Page 24 Page 25