据美国能源部估计，因车辆在红绿灯前等待，或者在交通拥挤时，让发动机空转，美国每年大约会浪费掉60亿加仑的燃料。而在此类车辆中，燃油效率最低的就是用于运输货物的大型重型卡车，在不行驶时消耗的燃料比乘用车多得多。
（图片来源：ORNL）
据外媒报道，现在，美国橡树岭国家实验室（ORNL）的研究人员设计出了一个计算机视觉系统，该系统采用之前已经上市、田纳西公司GRIDSMART（专注于提供交通管理服务）的交通灯摄像头，能够直观地看到十字路口的车辆，估计其油耗，然后指导交通信号灯，让效率较低的车辆继续移动，以减少其燃油消耗。
要证明该系统可与现有的技术共同发挥作用是一个复杂的难题，需要将许多不同的部分组合在一起，如高科技摄像头、车辆数据集、人工神经网络以及计算机交通模拟。
为了让此种基于摄像头的控制系统能够工作，首先需要在交通繁忙的十字路口安装智能摄像头以捕捉车辆的图像，并配备数据传输设备。此种摄像头早已存在，其中就包括GRIDSMART公司生产的一款。
目前，GRIDSMART的摄像头系统已经在全球1200个城市安装，取代了传统的地面传感器，取而代之的是安装在头顶的鱼眼摄像头，能够提供三镜头视觉跟踪，让交通信号灯的执行实现最优。该款钟形摄像头与运行GRIDSMART客户端软件的处理器单元连接在一起，后者为市政交通工程师提供了非常详细的信息，如交通指标、交通事故的无障碍视图等。
此类数据可用于调整交叉口的交通灯定时，从而改善交通流量。此外，在规划建设或变道时，可以将车辆数量考虑在内，并帮助衡量交通管制变化带来的影响。
2018年2月，该团队的第一步是使用GRIDSMART摄像头创建车辆类别图像数据集。由于GRIDSMART摄像头安装方便，已经安装在ORNL园区，该团队还采用了ORNL正在研发的地面式路边传感器系统，从而能够将头顶的图像与高精度的地面视图相结合。
一旦利用商用软件应用了车辆分类标签，加上DOE的燃油经济性评估，该团队就会得到一个独特的数据集，以训练用于识别车辆的卷积神经网络。
由此得到的ORNL日常车辆数据集（Overhead Vehicle Dataset）表示，GRIDSMART摄像头确实能够成功捕捉到有用的车辆数据，截至2018年9月，收集了大约12600辆车的图像，其“地面实况”标签（品牌、型号和MPG估计）跨越了474种分类。不过，ORNL成像、信号和机器学习小组的研发人员Thomas Karnowski认为，此类分类不够多，不足以有效地训练一个深度学习网络，而且该团队在该项为期一年的项目中，并没有足够的时间收集更多的信息。所以，到哪里去找到一个更大、更精细的车辆数据集呢？
Karnowski想到了斯坦福大学研究员Timnit Gebru进行的一个车辆图像项目，该项目从谷歌街景图（Google Street View）图像中识别出了2200万辆汽车，并分成了2600多个类别（如品牌和型号），然后再将其与人口统计数据进行关联。在Gebru的许可下，Karnowski下载了该数据集，随后，该团队准备进行该项目的第二步，创建一个神经网络。
该团队利用深度学习多节点进化神经网络（MENNDL）打造了另一个神经网络，用于比较。MENNDL是由ORNL计算机数据分析小组研发的高性能计算软件堆栈。MENNDL使用了一种进化算法，该算法不仅可以创建深度学习网络，还可以动态地改进网络设计。通过自动结合和测试数百万个“父”网络，以生成性能更高的“子”网络，MENNDL培育出了优化神经网络。
Karnowski的团队利用Gebru的训练数据集，在橡树岭领导计算设施（位于ORNL的国家能源部科学用户办公室设施）内，在现已退役的Cray XK7泰坦计算机（曾以27千万亿此浮点运算被评为世界上最强大的超级计算机）上运行了MENNDL。Karnowski表示，虽然MENNDL产生了一些新的架构，但是其网络分类结果的准确性没有超越该团队的AlexNet派生网络。有了额外的训练时间和训练图像数据，Karnowski相信，MENNDL能够创造一个更理想的网络。
由于无法在城市十字路口网络内配备GRIDSMART交通信号灯，Karnowski的团队转而使用计算机模拟来测试该系统。城市移动出行模拟（SUMO）是一个开源模拟套件，能够让研究人员对交通系统进行建模，其中包括车辆、公共交通，甚至行人。SUMO还可实现定制建模，所以Karnowski的团队能够将其应用到项目中。在SUMO模拟环境中，该团队增加了一个“视觉传感器模型”，从而可以利用强化学习来引导交通信号灯控制器网络，减少大型车辆的等待时间。
研究人员在各种交通场景下测试了该方法，以评估视觉传感的燃油节省能力。在某些含有大型卡车的使用场景下，该方法可以节省高达25%的燃料消耗，而且对等待时间的影响最小。在其他场景中，模拟系统对使用重型卡车的场景进行训练，不过在更加平衡的测试交通条件下评估了视觉传感的燃油节省能力。研究团队并没有对节省的费用进行量化，不过经过训练的强化学习控制能够很容易适应新环境。
上述所有测试仅限于建立概念验证，还需要更多工作以准确评估此种方法的影响。Karnowski希望继续采用更大的数据集、经过改进的分类器以及更广泛的模型，来研发该系统。GRIDSMART公司则认为该项目提供了一种为客户提供新服务的前景。