据国家统计局数据,目前中国的城镇化率为65%,预计到2030年将达到75%。大规模增加的城市人口会给交通带来前所未有的压力。其中,路口是整个城市交通系统中最重要的节点,基于边缘计算、物联网、人工智能技术的智慧路口解决方案,可帮助城市智慧管理路口交通流量,减少拥堵,保障交通安全,从而改善居民的生活质量。但目前各个城市的路口“千城千面”,不同路口的基础设施、边缘感知能力都不同,需要面向不同边缘路口场景构建灵活应用的解决方案。
浪潮信息携手多伦科技打造的智慧路口多场景方案,在南京江宁区智慧街区部署成功,不仅能够灵活满足各类路口场景,还通过优化改造,将路口高峰期车辆排队长度降低10.47%,车辆通行速度提升13.24%。目前,这套多场景方案也已在全国20多个城市完成了落地,为更多城市居民提供智慧交通服务。
城市“神经”痛,海量数据集结却难以有效协同
城市交通就像人体的神经网络,而交通拥堵,一直是城市的“交感神经”痛,不管城市大小,都有自己的痛点。虽然随着科学技术的发展,中国各个城市都已经铺设了大量的流量检测、信号控制、诱导屏等设施设备,产生了大量的交通流、交通事件数据,但海量数据的简单集结,仍然难以完全满足交通智慧化管理的需求,同时也带来了挑战。
南京新解法,厘米级地图刻画路口感知设备“兼收并蓄”
如今,困扰各地的智慧路口建设难点,在南京江宁区智慧街区挹淮街胜利路有了全新的解决方案。该路口位于南京江宁百家湖片区,这里是典型的南京市老工业区,更是人群居住密集地和地域商业中心,集聚了IT、金融企业办公片区、居民小区、城市公园等多个城市功能空间,是连系人们工作与生活的重要社区,日常交通通行车流很大,早高峰时段,部分路口的通行流量可达到4500PCU(Passenger Car Unit)/小时,远超一般1600CPU/小时的通行流量。而巨大的通行流量,给路口的通行速度和通行效率带来了极大挑战,也让很多人对这个上下班路上经常的堵点望而却步。
针对应用痛点,浪潮信息联合多伦科技和东南大学等合作伙伴,通过总结当前智慧路口的主要建设思路,以设备利旧、适配兼容、多盒联动、场景化应用等为重点,采用“云-边-端”三体协同的技术架构,将每个路口都转变为具备感知-计算-管控-服务能力的智能单元,充分释放云中心计算压力:
通过优化,智慧路口方案在算力、高精度地图、感知设备、方案功能等多方面实现了多项创新突破:边缘计算硬件算力可在20T到200T之间灵活配置,可伴随硬件更新逐步升级,满足不同业务的算力要求;高精度地图测绘精度达到厘米级,满足路口流量的高精度刻画;算法兼收并蓄,满足不同终端、异构设备数据的接入和融合;从实际交通管理的业务出发,围绕场景化应用展开,有效支撑当前和未来的城市交通管理需求。
智慧造通衢,“云-边-端”协同多场景灵活应用
智慧路口场景多样,四通八达的街区往往有不同的场景需求。而多场景化灵活应用,正是南京智慧街区路口方案的重要亮点。该方案根据智能感知、信控优化、全息路口、车路协同不同的应用场景满足不同的业务需求,同时四个场景具有相关性,首先实现智能感知,获取道路交通数据信息,然后根据交通流量变化实现信控配时方案自动优化,同时根据路口流量数据刻画出路口画像,实现全息呈现,人-车-路-环境数据实现信息共享,即车路协同。不同场景之间可自由组合,因地制宜,配置灵活多变,面对各种各样的路口街区,可以“千城千面”。
目前,在江宁区的智慧街区,无论是路口的通行感受,还是交通管理效能,都得到了大幅度提升。通过优化改造,该路口高峰时期的最大排队长度下降了10.47%,车辆通行速度提升13.24%。另外,通过边边协同、边云协同技术,可以实现多路口联动和整个区域的全域路口管理,实现“点-线-面”三级智能,同时为指挥中心情报研判、精准调度提供数据支撑和应用保障。
无论是在城市交通管理技术未来发展中,还是在未来车路协同网联环境中,强化边缘计算能力以满足不断提高的路口信息的实时性要求,已成为行业共识。浪潮信息和多伦科技基于边缘计算的智慧路口解决方案,通过“云-边-端”三体协同的场景化应用,实现了路口、路段、区域三个层面的多级交通管理需求。
好文章,需要你的鼓励
Queen's大学研究团队提出结构化智能体软件工程框架SASE,重新定义人机协作模式。该框架将程序员角色从代码编写者转变为AI团队指挥者,建立双向咨询机制和标准化文档系统,解决AI编程中的质量控制难题,为软件工程向智能化协作时代转型提供系统性解决方案。
苹果在iOS 26公开发布两周后推出首个修复更新iOS 26.0.1,建议所有用户安装。由于重大版本发布通常伴随漏洞,许多用户此前选择安装iOS 18.7。尽管iOS 26经过数月测试,但更大用户基数能发现更多问题。新版本与iPhone 17等新机型同期发布,测试范围此前受限。预计苹果将继续发布后续修复版本。
西北工业大学与中山大学合作开发了首个超声专用AI视觉语言模型EchoVLM,通过收集15家医院20万病例和147万超声图像,采用专家混合架构,实现了比通用AI模型准确率提升10分以上的突破。该系统能自动生成超声报告、进行诊断分析和回答专业问题,为医生提供智能辅助,推动医疗AI向专业化发展。