Pourquoi le LIDAR transforme la gestion du trafic dans les villes intelligentes

Les initiatives de villes intelligentes se concentrent de plus en plus sur les systèmes de transport intelligents (ITS). Un pilote récent à San Francisco utilisant des capteurs LIDAR démontre comment cette technologie peut améliorer le projet de signalisation trafic Vision Zero de la ville.

Vision Zero vise à réduire les décès sur les routes à zéro, San Francisco perdant environ 30 vies et blessant plus de 200 personnes chaque année. Le pilote teste des systèmes de signalisation trafic intelligents multimodaux (MMITSS), communication à courte portée dédiée (DSRC), priorité de signal pour le transport en commun (TSP) et préemption pour véhicules d'urgence (EVP) pour donner la priorité aux transports en commun et véhicules d'urgence tout en offrant aux piétons et cyclistes des intervalles de traversée sécurisés.

La première preuve de concept, achevée en janvier 2020, a installé des LIDAR à cinq intersections et atteint 96 % de précision dans le profilage anonyme des véhicules et piétons. La deuxième preuve de concept ajoute la couche de données au réseau de contrôle de signalisation, prévue pour début 2021.

Nous avons interviewé le directeur marketing de Quanergy, Enzo Signore, et le consultant en stratégie indépendant Paul Hoekstra, chef de projet SFMTA.

LIDAR : suivi d'objets anonymes à travers les intersections

Enzo Signore de Quanergy explique que l'avantage clé du LIDAR dans les stades et villes intelligentes est sa capacité à attribuer un ID persistant et anonyme à chaque objet en mouvement, permettant un suivi de bout en bout à travers plusieurs intersections sans révéler les identités.

Obtenir un suivi d'ID continu à travers plusieurs intersections nécessite des capteurs synchronisés et du edge computing. Les systèmes traditionnels perdent l'ID quand un objet passe du champ de vue d'un capteur à un autre, fragmentant le flux de données.

Le mécanisme automatisé de transfert d'ID de Quanergy transfère l'ID d'un objet de manière transparente entre capteurs, préservant un identifiant unique tout au long de son parcours et fournissant une analytique de flux complète.

La série M de Quanergy, dont le MQ-8 à longue portée, est conçue pour les tâches de gestion de flux. Contrairement aux LIDAR conventionnels qui émettent un faisceau symétrique, le MQ-8 dirige tous les faisceaux vers le bas, assurant une couverture complète du sol et éliminant les angles morts. Ce design offre un rayon de détection de 70 m (15 000 m²) et réduit le nombre de capteurs requis et le coût.

Puisque le LIDAR ne capture que des données géométriques, il contourne les préoccupations de vie privée liées à la reconnaissance faciale, fournissant un monitoring de trafic anonyme et conforme.

Surmonter les problèmes de vie privée liés à la reconnaissance faciale

Paul Hoekstra pour SFMTA décrit la logique et les résultats du projet.

Lorsque nous avons commencé le pilote en avril 2019 avec SFMTA, Cisco et Quanergy, nous avons initialement utilisé des capteurs DSRC. Cependant, seulement 1 % des véhicules diffusent des signaux DSRC, rendant la technologie inefficace pour la mesure du flux de trafic.

Nous avons déployé 20 unités LIDAR à cinq intersections le long de la 3e rue, près du nouveau stade de basketball. Le edge computing tournait sur des unités Cisco TRX, exécutant le logiciel QORTEX de Quanergy, qui diffuse les données vers un cluster VM alimenté par Cisco Kinetic stockant ~30 millions de messages par semaine.

Les rapports du dimanche détaillent les trajectoires des véhicules, horodatages, origines, destinations, comptages d'arrêts, durées, vitesses et contexte d'événements. Cette liaison à travers les intersections nous permet de quantifier des mouvements comme les entrées nord et les sorties.

En utilisant la logique calibrée de QORTEX, nous avons atteint 96 % de précision dans la correspondance des IDs d'entrée et de sortie. Pour les piétons, les définitions de zones révèlent la présence au bord du trottoir, les limites des passages piétons et la proximité aux véhicules, permettant l'analyse de quasi-accidents basée sur les vecteurs et vitesses.

Le système ne capture que des formes anonymes — véhicules comme blocs et piétons comme points — assurant qu'aucune donnée personnelle n'est stockée.

La première preuve de concept s'est concentrée sur l'analyse de données. La deuxième doublera le nombre d'intersections de cinq à dix, étendant la portée du corridor.

Nous intégrons les données du contrôleur de signal — boucles, boutons poussoirs, capteurs rail — dans la plateforme centrale, créant un flux d'information bidirectionnel. La classification d'objets depuis les capteurs edge informe les temps d'arrêt de transport prédits basés sur la composition des passagers (fauteuils roulants, poussettes, vélos).

L'analytique backend estimera les temps d'arrêt optimaux (ex: 20 s vs 32 s) et extrapolera sur l'ensemble du corridor.

Optimiser le corridor nécessite de le voir comme un réseau interconnecté plutôt que des nœuds isolés. Les recalculs algorithmiques haute fréquence — potentiellement dépassant 1 Hz — permettent des ajustements de signal en temps réel.

Ces algorithmes envoient des commandes temps réel aux contrôleurs de signal, bouclant la boucle et illustrant la gestion de trafic intégrée.

San Francisco compte déjà 7 000 caméras, mais elles ne fournissent que de l'imagerie 2D et des données de localisation moins précises. Le LIDAR offre une précision supérieure, fonctionne sous la pluie et la nuit, et évite les préoccupations de vie privée liées à l'identification visuelle.

Le projet vise à donner la priorité aux véhicules d'urgence, optimiser les horaires de transport, et faciliter le platooning de véhicules quand le transport en commun n'est pas disponible, améliorant ainsi l'efficacité du corridor.