Thiết bị RSU thông minh tích hợp trí tuệ nhân tạo với camera và radar 24 GHz để dự đoán và giám sát giao thông theo chuẩn V2X
DOI:
https://doi.org/10.54939/1859-1043.j.mst.IITE.2025.35-44Từ khóa:
RSU thông minh; Truyền thông V2X; Ra đa sensor 24 GHz IOT; AI camera; Dự đoán lưu lượng giao thông; Hệ thống giao thông thông minh; Thành phố thông minh.Tóm tắt
Bài báo đưa ra một thiết kế hệ thống mới về Smart RSU phù hợp với ứng dụng trong giao thông thông minh trong các thành phố đông đúc kèm mật độ phương tiện dày đặc và đa dạng chủng loại. Dựa trên các công nghệ có sẵn bao gồm V2X, Radar và AI camera, hệ thống smart RSU thông minh có thể tự đưa ra các quyết định riêng biệt để xử lý trong các tình huống giao thông phức tạp cũng như điều tiết giao thông. Với mô hình học máy kết hợp với các sensor có độ chính xác cao, hệ thống có khả năng học từ "hành vi giao thông địa phương" để không chỉ phát hiện vi phạm mà còn dự đoán trước các hành vi nguy hiểm đặc trưng của từng khu vực và chủ động can thiệp vào hệ thống điều khiển giao thông. Việc kết hợp giữa Radar và Camera cũng giúp tăng độ chính xác hơn trong việc giám sát và thu nhập dữ liệu trong thực tiễn. Điều này giúp cho nâng cao hiệu suất quản lý giao thông, cải thiện tình trạng tắc nghẽn và điều tiết giao thông khi có sự cố xảy ra. Nghiên cứu phù hợp với ứng dụng trong các thành phố thông minh, đặc biệt là khi kỷ nguyên số và thông tin đang ngày một phát triển.
Tài liệu tham khảo
[1]. Hesham A. Rakha, Kyoungho Ahn, Jianhe Du, and Mohamed Farag. "Quantifying the Impact of Cellular Vehicle-to-Everything (C-V2X) on Transportation System Efficiency, Energy and Environment", IEEE Transactions on Intelligent Transportation Systems, (2020).
[2]. Tom Rebbeck, Janette Stewart, Hugues-Antoine, and Andrew. "Final report for 5GAA on cellular V2X socio-economic benefits", Ref. 2011027-492, (2017).
[3]. Lejun Jiang, Tamás G. Molnár, and Gábor Orosz. "On the deployment of V2X roadside units for traffic prediction", Transportation Research Part C, 129, 103238, (2021).
[4]. Ali R. Abdellah, Ahmed Abdelmoaty, Abdelhamied A. Ateya, Ammar Muthanna, and Andrey Koucheryavy. "Accurate V2X traffic prediction with deep learning architectures", IEEE Access, PMCID: PMC11962783, (2018).
A. Ghosal and M. Conti. "Security issues and challenges in V2X: A survey", Computer Networks, 169, 107093, (2020). doi:10.1016/j.comnet.2019.107093
[5]. Y. Zhou, S. Liu, M. Xiao, S. Deng, and X. Wang. "An efficient V2I authentication scheme for VANETs", Mobile Information Systems, 2018, 1–11, (2018). doi:10.1155/2018/4070283
[6]. Shaoheng Fang, Rui Ye, Wenhao Wang, Zuhong Liu, Yuxiao Wang, Yafei Wang, Siheng Chen, and Yanfeng Wang. "Federated Learning for Scene Flow Estimation on Roadside Units", arXiv preprint, arXiv:2401.12862, (2024).
[7]. Widhi Yahya, Ying-Dar Lin, Faysal Marzuk, and Piotr Chołda. "Offloading in V2X with road side units: Deep reinforcement learning", Computer Communications, 51, 100862, (2025).
[8]. NVIDIA Corporation. "Jetson Orin NX Module Datasheet", (2023). [Online]. Available: https://developer.nvidia.com/embedded/jetson-orin
[9]. S. Liu, Y. Zhao, and H. Wang. "Edge AI computing for intelligent transportation systems: A review and case study", IEEE Transactions on Intelligent Transportation Systems, 24, 5, 4835–4848, (2023). doi:10.1109/TITS.2022.3149783
A. Ding, L. Xie, and H. Zhang. "Obstacle detection method based on RSU and vehicle camera fusion using YOLOv5", Sensors, 23, 10, 4920, (2023). doi:10.3390/s23104920
[10]. S. Gupta et al. "DeepStream: A system for real-time AI-based video analytics", NVIDIA Developer Blog, (2022). [Online]. Available: https://developer.nvidia.com/blog/deepstream-real-time-video-analytics/
[11]. R. Sundar and V. Ramachandran. "Edge AI acceleration in intelligent transportation: A case study using NVIDIA Jetson platform", Proc. IEEE Int. Conf. Intelligent Transportation Engineering (ICITE), Singapore, pp. 125–130, (2023). doi:10.1109/ICITE56765.2023.10234029
[12]. Infineon Technologies AG. "BGT24LTR22 XENSIV™ 24 GHz Radar Sensor Datasheet", Rev. 1.0, (2020). [Online]. Available: Infineon BGT24LTR22 DataSheet
[13]. Rohling. "Radar CFAR thresholding in clutter and multiple target situations", IEEE Transactions on Aerospace and Electronic Systems, 19, 4, 608–621, (1983). doi:10.1109/TAES.1983.309393
[14]. Scharf. "Statistical Signal Processing: Detection, Estimation, and Time Series Analysis", Addison-Wesley, Boston, MA, ch. 6, (1991).
[15]. S. Wang, J. Zhang, and L. Sun. "A constant false alarm rate algorithm based on the difference of box filter for radar pulse detection", IET Radar, Sonar & Navigation, 18, 2, 150–157, (2024). doi:10.1049/rsn2.12573
[16]. R. M. Elnadree and A. El-Sisi. "Flowchart of SVM algorithm", in Performance Investigation of Features Extraction and Classification Approaches for Sentiment Analysis Systems, (2021). [Online]. Available: researchgate.net/figure/Flowchart-of-SVM-algorithm_fig3_354303930
[17]. D. Mukherjee, S. Chakraborty, and S. Ghosh. "Flowchart of support vector machine (SVM)", in Power System State Forecasting Using Machine Learning Techniques, (2021). [Online]. Available: researchgate.net/figure/Flowchart-of-support-vector-machine-SVM_fig4_353341688
[18]. J. M. Moguerza and A. Muñoz. "Support Vector Machines with Applications", arXiv preprint, arXiv:math/0612817, (2006).
[19]. B. Benjdira et al. "Car detection using unmanned aerial vehicles: Comparison between Faster R-CNN and YOLOv3", arXiv preprint, arXiv:1812.10968, (2018).
[20]. Kumaran, D. P. Dogra, and P. P. Roy. "Anomaly detection in road traffic using visual surveillance: A survey", arXiv preprint, arXiv:1901.08292, (2019).
