停车难,是城市发展过程中难以回避的一种“城市病”,全球范围内看,找车位难是一种普遍现象,对城市交通大动脉的顺畅造成一系列负面影响,比如一辆正在找车位的机动车对道路交通拥堵的影响是一般车辆的5倍,会增加堵车距离,引发公共纠纷,甚至会带来严重的安全隐患。
美国司机平均每年要花17个小时寻找停车位,英国车主一年内寻找停车位的时间平均为44小时,在纽约、伦敦等超大城市,这一时间还将更长。
但与此同时,从总体情况看,城市车位的供应却是相对充足的。数据显示,在中国,有超过90%的城市车位使用率在50%以下。也就是说,问题的关键在于如何更合理地对车位资源进行更有效的管理和配置,提高信息的双向透明度。
拥有3750万人口的东京无疑是全球车辆管理的典范城市,其拥有汽车800万辆左右,是北京汽车保有量的1.3倍,但停车难、交通拥堵的几率在全球特大城市中却相对较低,成功的原因在于东京制定了相对科学的车辆管理制度,通过交叉式车位设计、电子化车辆管理等模式不断优化停车管理水平。
然而,依靠人力、制度和电子设备的传统停车管理方式终有天花板,要想在寸土寸金的大城市更加智慧的停车,必须引入AI、边缘计算等先进科技为现代停车管理系统赋能。
东京工业大学等科研组织与浪潮开展深度合作,探索采用边缘计算、人工智能等技术,改善停车场管理,使车主寻找车辆、停车的效率显著提升,同时节省了40%以上的停车场建设成本。
那么,东京工业大学是怎么做的呢?
东京工业大学打造“AI贴身管家”
为了更好地提高车位的利用率,破解停车难的问题,并降低建设与运维成本,东京工业大学不再使用“地感线圈车辆检测+停车管理”的传统模式,采用了基于边缘计算的智慧停车方案。
通过将东京工业大学研发的图像识别与停车场运营管理系统,部署在停车场现场的浪潮边缘微服务器EIS200,能够对停车场出入口和内部的摄像头,采集进出场车辆、车牌图片,进行车辆实时识别并匹配车主信息,从而精准记录车辆的进出时间,为进场车辆提供空位引导。当车辆离开时,还能够帮助车主快速定位车辆精准位置,用最短时间找到自己的爱车,并支持无现金扫码支付、精算机现金支付、扫码支付混合等方式的快速支付,让车轮滚动的每一步都心中有数。此外,停车场系统可根据摄像头监测到的可疑事件或者可疑人员,以及烟雾、火光等险情,自动发出警报,从而提升停车场的安全性。
今年1月,东京工业大学成立校园发创企业Fusion Cubic股份有限公司,旨在将该项科研成果全面向市场转化。目前以在东京各大繁华商业区开展试点停车场,无论是寻找车位,还是支付停车费,都变得高效、便捷,高峰期由于停车费计费缓慢导致的车辆拥堵问题也显著缓解。同时,该方案还帮助停车场管理用户实现了停车管理的自动化、智慧化,在降低人力资源支出的同时,无需再进行繁琐的地感线圈施工及其后续定期老化检测,节省了40%以上的停车场建设成本。在改造之后,井然有序的停车方案让校园和城市的景观环境得到美化,让每一个人都能感受到东京工业大学的智慧魅力。
边缘赋能,让驾驶者体验出行快乐
东京工业大学的停车场改造展现了智慧停车系统的巨大价值与发展潜力。数据显示,2020全球停车管理市场规模为38亿美元,预计到2025年该市场规模将增加至54亿美元,其中最大的驱动力就是智慧城市的建设。
我们需要认识到的是,目前全球只有很少一部分停车场进行了智慧改造,绝大部分停车场仍旧实现的传统的人工管理模式,车位信息不透明、寻找车位困难、高峰期车辆出入拥堵等问题迟迟难以解决。然而,要实现停车场的智慧改造,不仅需要解决技术瓶颈,还需要解决由此带来的实施、规模化管理等一系列难题。
边缘计算的重要价值在于,其相对于纯云端的部署模式,提供了一种成本更低、实施更便捷、网络依赖更小的AI应用交付方案,加速了智慧停车系统的建设与改造。
未来,通过基于边缘AI的智慧停车系统建设,我们有望看到更多城市受益于浪潮的智能化停车管理解决方案,让车主得到更高效、便捷的停车体验,让停车场管理更轻松、收益更高,让城市管理者不再为交通拥堵头疼,早日构建充满智慧的数字城市。
和浪潮一起,用智慧让城市更加快乐。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。