写在前面
大家好,我是Rocky。
时代的车轮滚滚而来,一波又一波的AI科技浪潮周期性的爆发,又螺旋上升式的发展进化,这是个足够伟大的时代。
Rocky相信AI能够极大提高社会生产力,解决供需关系不平衡,并对人类社会产生深远的影响。
如同互联网时代的PC和移动互联网一样,AI也经历了两个阶段的发展。
第一个阶段是2012年至2022年的传统深度学习时代,AI+互联网,AI+安防,AI+工业等ToB产品形态让行业公司爆发一波生机,但ToC端基本无法触达。
第二个阶段是2022年开始的AIGC时代,Rocky聊过很多的创业者和投资人,我们一致认为AIGC时代的AI,在ToB和ToC领域都有诱人的可能性。
Rocky也将工作时间all in AIGC,但在业余时间,Rocky依然对传统深度学习持续看好,Rocky认为AIGC和传统深度学习都是行业繁荣不可或缺的关键一招。
故在本文中,Rocky总结了智慧交通领域的业务逻辑,将智慧交通最精华的思考&经验分享出来,希望能给大家带来帮助。
So,enjoy(与本文的BGM一起食用更佳哦):
正文开始
----【目录先行】----
【一】智慧交通的发展阶段
首先,智慧交通包含哪些细分场景呢?
上面Rocky只举例了一些典型的场景,未来相信会有更多场景会被挖掘与赋能。
如果将上面的细分场景按ToG,ToB,ToC分类,会是什么样子的呢?
我们已经分析了智慧交通的细分场景以及产品维度,接下来,我们看看他们都处于什么发展阶段呢?(蓝海期,起步期,应用井喷期,成熟期)
可以看到,ToG和ToB的业务逻辑和产品形态非常清晰,那就是AI赋能场景与产品,比如AI赋能摄像头,有了人脸识别,车辆检测等功能。
但是目前为止工业界在ToC方向上依旧没有找到一个很好的业务逻辑与产品形态,传统深度学习并不能颠覆用户体验,也不能创造强用户需求,导致个人安防产品处于很尴尬的境地。
【二】智慧交通的算法解决方案架构
智慧交通的现金流算法解决方案架构如下所示:
其中最为关键的环节是业务/需求渠道和数据护城河。
在部署优化的模块中需要进行端侧设备选型,大家可以根据实际需求选择合适的端侧设备以达到项目的要求:
而在核心算法部分,在传统深度学习飞速发展的10年,已经沉淀了很多经典模型,可供我们选择使用,Rocky在这里进行了总结梳理:
【三】智慧交通的经典落地解决方案
智慧交通领域有很多经典的落地解决方案,加上其赋能的属性,很容易在细分场景进行迁移应用。
首先就是大厂必备的全图目标检测解决方案:
智慧交通场景经典的车辆属性分析解决方案:
智慧交通场景经典的交通事件检测解决方案:
智慧交通场景经典的交通设施解决方案:
【四】智慧交通的典型bad case以及应对方案
稀缺素材
智慧交通场景中最经典的bad case是素材稀缺导致的整体解决方案无法落地。
Rocky认为主要可以通过一下几个方法去解决:
- 数据侧全力逼近真实场景的数据分布:数据常规增强,高阶增强,制作特定数据等。
- 算法侧全力优化,提升性能以满足小数据集的任务要求。
大角度场景
在很多的大角度场景中,比如车辆侧身大角度导致车辆车牌,车辆属性的识别产生错误,是智慧交通场景中一个令人困扰的问题。
Rocky认为主要可以通过以下几个方法去解决:
- 增加更多约束,比如在车辆大角度场景中将大任务转化成多级联任务来提升效果。
- 通过引入分割,跟踪等强技术来辅助大角度场景的目标检测识别效果。
复杂场景
闹市区交叉路口,野外环境,暴雨/下雪/雾霾等恶劣天气环境下,如何保持算法解决方案的性能是一个较大的挑战。
- 整体流程优化,从硬件端,现场产品铺设逻辑,算法解决方案,需求定义等方面全面适配实际的复杂场景。
- 复杂场景模块化,搭建场景整体系统,并持续优化迭代。
碎片化需求
- 定制算法解决方案。(小样本学习,扩大算法团队规模,AutoML)
【五】智慧交通未来会有哪些新的可能性
AI安全
AI在智慧交通领域大规模落地之后,紧接而来的是AI的安全风险问题,Rocky认为AI安全将是智慧交通领域的一个重要模块,未来会获得业界的更多关注。
大模型
目前大模型已经爆发,大模型的能力得到了业界的认可。
智慧交通行业也需要自己的大模型,不管是大厂还是细分领域的“小而美”公司,都可以将自己多年沉淀的行业数据进行整合,训练自己的行业“大模型”,从而加深技术护城河。
车路协同
目前新能源汽车已经越来越成熟,核心电动汽车技术与产业在国内已经自主可控,下一步是出海扩大市场了。
在这个时间节点上,Rocky认为车路协同的智慧交通会有更多的发展空间,AI+自动驾驶+智慧交通+电动车,将是一个“很性感”的事。