Kokeilun oppi
-
Kokeilun teemat
963 katselukertaa
Kokeilu on luotu 31.05.2018
Timo Bräysy
Liikennemäärien arviointi kelikameroiden datasta tekoälyn avulla
Voisiko tieden ja kulkureittien (talvi)huoltotoimenpiteiden (ml. auraus ja hiekoitus) priorisointi tapahtua tekoälyn ohjaamana? Ongelma koskee erityisesti talvipyöräilyä, koska pyöräteiden liikennemääristä ei ole tarkkaa reaaliaikaista tietoa. Kokeilemme ajoneuvojen tunnistamista ja laskemista avoimen datan kelikameroiden kuvista.
Miksi tämä kokeilu on tarpeellinen?
Kaupungit ja kunnat huolehtivat kumppaneineen teiden ja kulkureittien kunnossapidosta. Talvisin tämä voi olla ajoittain erityisen haastavaa. Erityisesti talvipyöräilyn edistämiseksi olisi tärkeää, että huoltotoimenpiteet osattaisiin kohdistaa ensimmäisenä kaikkein vilkkaimmin käytettyihin tieosuuksiin. Erityisesti valtaväylien ulkopuolella olevat osuudet jäävät helposti hoitamatta, vaikka niillä olisi paljonkin liikennettä. Teiden huoltotöiden kohdentamiseen tarvitaan siksi mahdollisimman tarkkaa ja ajantasaista tietoa tai tarkka ennuste. Kokeilemme onko kelikameroiden tuottama kuvamateriaali sellaista, että siihen voi tarpeeksi luotettavasti soveltaa hahmontunnistusalgoritmiä, ts. saadaanko kuvista tekoälyn avulla selville liikennemääriä ja esim. ajoneuvojen tyyppejä eri tieosuuksilla. Vertailukohtana voimme käyttää oman IP-kameran tuottamia kuvia, jotka oletettavasti voivat olla tarkempia kuin avoimen datan kuvamateriaali.
Miten kokeilu toteutetaan?
Liikenneviraston kelikameroiden kuvat ovat ns. avointa dataa, josta voisi tuottaa tekoälyn avulla hyödyllista tietoa tieosuuksien liikennemääristä. Tekoälyn hahmontunnistus voisi tuottaa tarkkaa (tilasto)tietoa tieosuutta käyttävistä ajoneuvoista ja jopa niiden tyypeistä (esim. polkupyörä/auto/kuorma-auto). Tämän avulla tieosuuksien huoltotoimet voidaan kohdistaa parhaalla mahdollisella tavalla. Laadimme kokeilujärjestelmän, jossa hyödynnämme kelikameroiden avointa dataa (www.digitraffic.fi) ja jotain yleisesti käytettävää neuroverkkoon perustuvaa hahmontunnistusalgoritmiä. Alustavasti voimme kokeilla myös oman IP-kameran tuottaman kuva-aineston analyysiä mainitulla hahmontunnistuksella. Kokeilua voidaan valmistella alkukesän aikana ja se tullaan toteuttamaan heti kesälomien jälkeen (elo-, syys-, ja lokakuu).
Kuka tai ketkä kokeilun toteuttavat?
Kokeilun ehdottaja työskentelee tutkijana Oulun yliopistossa. Kokeilu voidaan toteuttaa joko tutkijavoimin tai luultavimmin opiskelijatyönä tiedekunnassamme.
Mikä on kokeilun kokonaisbudjetti ja miten se jakautuu maksajatahoittain?
Tarvittavia laitteistohankintoja varten arvioitu budjetti on 500 euroa. Tällä voimme hankkia IP-kameran (tai useampia) ja mahdollisesti tietokoneen päätelaitteeksi. Lisäksi budjetoimme 3000 euroa apurahaksi opiskelijan (tai opiskelijaryhmän) palkitsemista varten. Yhteensä budjettimme on 3500 euroa.
Millaista osaamista ja rahoitusta kokeilulla on käytettävissään?
Oulun yliopiston tieto- ja sähkötekniikan tiedekunnassa on runsaasti osaamista, jonka tuella kokeilun pitäisi onnistua. Oletamme, että saamme avuksi opiskelijoita tai muita vapaaehtoisia tarjolla olevan pienen apurahan/palkkion turvin.
Kokeilun oppi
Saavuttiko kokeilu tavoitteensa?
Saimme mukavasti kokemusta ja oppia tekoälyn soveltamisesta jatkossa muissakin tutkimushankkeissa. Varsinaiseen tarkoitukseen eli pyöräteiden liikennemäärien valvontaa ei voi käyttää kelikameroita - ne kun kuvaavat pääasiassa autoteitä! Joitain muita vaihtoehtoisia ratkaisuja tarvitaan, jos huoltotoimien optimointia halutaan suunnitella.
Mitä uutta tietoa kokeilulla saatiin?
Avoimen koodin ratkaisujen hyödyntämien vaatii kuitenkin melkoisesti aikaa ja ohjelmointiosaamista. Meillä oli onneksemme yhtenä lähtökohtana Jyväskylän ammattikorkeakoululla tehty työ, jonka pohjalta omat kokeilumme saatiin toimimaan näinkin lyhyessä ajassa. Erilaisten järjestelmien yhteensovittaminen on työlästä. Kuvantunnistus vaatii runsaasti laskentatehoa eikä kohteiden tunnistamisen onnistuminen ole kovin varmaa. Parhaaseen tuloksiin päästiin itse opetetulla algoritmilla.
Miten aiot viedä kokeilua tai sen tuloksia eteenpäin?
Tekoäly ja sen soveltaminen on yksi tärkeä tekijä tulevaisuuden data-kriittisessä yhteiskunnassa (kts. www.6genesis.com).
