AI 交通應用

IIDs隧道事件偵測管理系統在於提升了交控管制中心面對山區隧道交通通行問題即時監控與事件觸發通報應變管理方式應用沿線隧道環境的監控系統佈設，依照隧道高度與寬度和道路實際環境狀況每70~100公尺建置攝影機進行連續隧道內道路沿線監控與偵測辨識管理，運用AI影像偵測辨識，針對車流狀態、車輛異常停等、人員闖入作業區或車道、路面散落物、煙霧濃煙產生、車輛逆行駕駛以及機車闖入行駛隧道等等，透過光纖網路傳輸即時串流至中心管理平台進行輪播監控管理，同時搭配事件偵測IID系統鎖定隧道事件觸發位置連動影像彈跳顯示於中心畫面，同時建立連續事件同質性關聯判讀篩選為單一事件減少同一事件頻繁通報造成執勤管理人員重複作業問題，同時提升管控中心對於緊急異常事件通報接收信賴度和訊息精確度傳遞，搭配電子圖資顯示和訊息同步可以大幅提升交控管理中心對於長隧道環境進行即時有效監測與精確事件觸發訊息應對管理作業。

臺中市政府為改善交通壅塞問題，以提供民眾更好的交通環境，與彰化、南投縣合作並結合高速公路局、公路總局，於民國 109年開始實施「中彰投交通協控計畫」，隨著協控平台逐步發展成熟，在 111 年「中彰投交通協控計畫」期望能藉由人工智慧車流計數數，以提供更完整 的交通信 息及提升 運輸效 率，並持 續改善區 域間之交 通問題，車流量資料分析模組針對路口車流計算要求，利用AI影像辨識建立車輛識別，藉由人工智慧車流計數，以提供更完整的交通信息及提升運輸效率，即時了解路口交通流量和趨勢，並持續改善區域間之交通問題。

奕瑞科技將Deep Learning 演算法極盡所能的在各個領域做出落地的解決方案，除了本身精研的核心演算法之外，還能貼近客戶的需求，與客戶共同討論出最適合的解決方案，並且跟著客戶的SOP，不斷地做滾動式的來回討論，以期用AI 人工智能技術，真正改善客戶在管理上的困難。利用全影像的車牌辨識好處是，無論何種車牌、戶外全天候的光照、氣候，只需要經過訓練，基本上沒有不能辨識的。除了不需要像傳統做法需要設感應線圈，少一個設備維護點之外，進而大幅提高辨識率，也能為往後的發展預留許多擴充可能！

因應基隆東岸至正濱漁港、八斗子廊帶地區帶來觀光車潮所產生的交通問題，因中正路/祥豐街/北寧路鄰近海洋大學及和平島，受平日通勤、假日遊憩旅次影響，有各方向車流不穩定之特性，故挑選做為智慧影像AI車流分析路口。

Linker的Ground Truth服務旨在提供高效、準確且可靠的數據標註解決方案。Linker AI平台具有持續學習的AI演算法技術，能運用人工智慧技術增進自動標註準確度​，減少數據品管成本與整體輸出。平台​透過人工微調整參數，再運用相輔相成的Golden Sample機制，檢驗每次模型產出之metrics數字以確保更好的結果；再把標註好的資料放入平台做訓練，以保證品質達到客戶需求標準。Linker AI自動標註平台大幅提高客戶標註效率，為客戶節省許多時間和人力成本。另外，人工標註容易出現主觀判斷和錯誤，導致標註不一致或不準確。Linker AI自動標註平台利用深度學習演算法和大數據訓練模型，對影像進行更高精度的標註，提供準確的標註結果。再者，Linker AI自動標註平台能提供同時標註多種類型的對象和場景，大幅擴展標註的範圍，為客戶提供更全面和多樣化的數據，用於訓練客戶的自駕車系統，而多樣的標註數據也可以使自駕車系統更好地理解和預測各種交通情境，提高自駕車運行的安全性和適應性。

市中心舊城區第二期路網壅塞告警機制與路網動態號誌策略，主要範圍包含成功路(含)以南、府前路(不含)以北、金華路(含)以東、北門路(含)以西，透過影像式自動化路況偵測系統、路網動態號誌策略，達到道路即時監控、動態控制及增進道路交通運行效率之目標。

本計畫針對各種異常狀況使用不同的方法偵測，其中異常狀況有：壅塞、事故狀況、異常物件及逆向行駛，透過追蹤模組判斷是否發生異常事件。首先探討壅塞，壅塞發生在車流量大導致車速緩慢的狀況，針對此現象可以透過追蹤模組取得車速，若平均時速低於高速公路的60km/h 最低速限，則判斷壅塞。第二點事故狀況，由於在道路上行駛時須保持安全距離，若兩車距離過近，則會提高碰撞的機率，在事故發生前透過軌跡判斷兩車是否在前方會有交集點，並在兩車發生重疊時則判斷兩車相撞。第三點是否有異常物件，將一般道路上禁止出現的物件加入訓練樣本，以高速公路為例，正常情況下不會有機車出現，若畫面中辨識出異常物件則進行追蹤。最後一點逆向行駛，在路上行駛方向與其他車有所不同，在追蹤時軌跡會與正常情況下有異，判斷軌跡方向異常時發出警示將團隊所使用的 Smart AVI 與目前最常被使用的影像辨識技術之一的 YOLO 相比。雖然 YOLO 可以辨識的種類較多(屬於通用解決方案)，但要運用在交通方面則是Smart AVI 較具備優勢，因架構與設計屬於特定領域的解決方案，其訓練所需要的樣本數較低，演算速度也更快，最重要的是具備追蹤物件的功能。