Conheça os benefícios da gestão inteligente de rodovias

Sergio Fukushima (*) – 16.04.2021 – 

Antes limitada a túneis com condições controladas de luz, a gestão de incidentes baseada em vídeo agora permite diferenciar veículos, bicicletas e pessoas em outras áreas da rodovia

O setor de transportes tem alcançado novas possibilidades a partir da integração entre tecnologias. Duas das mais significativas para o mercado foram a mudança de vídeo analógico para vídeo IP entre 2008 e 2012, e a transição de soluções de gerenciamento de tráfego baseadas em servidor para soluções baseadas em nuvem (cloud computing) e na borda (edge computing) a partir de 2016.

Desde a introdução de redes baseadas em nuvem, a adoção da Internet das Coisas (IoT) aumentou rapidamente. Especialistas preveem que haverá mais de 75 bilhões de dispositivos IoT até 2025 – o que representará um aumento de cinco vezes em 10 anos. Contudo, esses dispositivos geram um volume de dados que nem mesmo as novas redes 5G podem gerenciar sozinhas.

Assim, está dada a largada para a descentralização de sistemas e serviços – da nuvem para a borda, escalando o poder de processamento de dispositivos edge. Mesmo que soluções baseadas em processamento de borda não sejam previstas para substituir a computação em nuvem ou baseada em servidor, descobrimos que 70% dos novos projetos em 2019 incluíam analíticos baseados em computação de borda – e a escolha apresenta algumas vantagens definitivas:

Menor consumo de banda – Este é provavelmente o mais óbvio. Os modelos de treinamento e inferência baseados em nuvem exigem que os dispositivos transmitam grandes quantidades de dados brutos para a nuvem, consumindo, assim, uma enorme largura de banda da rede. Por outro lado, o deep learning baseado em borda transmite apenas os metadados analisados e requer uma pequena fração da banda-larga disponível.

Redução de latência – Para gerenciamento de acidentes de tráfego em alta velocidade, atrasos de latência podem fazer a diferença entre capturar a causa principal de um incidente ou perdê-la totalmente. Agora, com Deep Learning baseado em borda é possível fornecer aplicações em tempo real sem comunicação centralizada – como a detecção de veículos trafegando na contramão, quando o tempo de detecção é essencial.

Melhor confiabilidade – Analíticos baseados em nuvem ou servidor dependem fortemente de redes sem fio, assim, qualquer interrupção na cobertura pode ter um impacto significativo nos resultados. No entanto, com Deep Learning na borda, toda a computação acontece no próprio dispositivo e, deste modo, está menos suscetível ao impacto de interrupções intermitentes na cobertura da rede.

Privacidade – Talvez essa não seja a principal preocupação do segmento, mas informações pessoais, como números de placas de veículos, são cada vez mais protegidas pela legislação de privacidade. Por isso, minimizar a quantidade de dados pessoais transferidos para a nuvem também pode ajudar a garantir a conformidade com as regras de privacidade.

Redução de custos – A transmissão de metadados analisados em vez de grandes quantidades de dados brutos elimina a necessidade de dispositivos de armazenamento adicionais ou taxas excessivas de armazenamento baseado em nuvem. Além de economizar em custos de hardware e armazenamento, o sistema consome muito menos energia – minimizando despesas e impacto ambiental.

Deep learning e o impacto no desempenho

Seja com base em servidor, nuvem ou borda – ou uma versão híbrida -, é importante entender onde está o verdadeiro valor da solução Deep Learning. Afinal, a análise de vídeo tem sido usada há anos para ajudar as autoridades de trânsito a monitorar a enorme quantidade de câmeras nas estradas.

Nesse contexto, o maior desafio desse modelo de monitoramento simples baseado em alertas é o alto número de alarmes falsos gerados. Especificamente para gerenciamento de tráfego, isso significa que soluções eficazes de gerenciamento de incidentes baseadas em vídeo foram até agora limitadas a túneis com condições de luz controladas.

No entanto, a introdução de redes neurais profundas (DNN) para detectar, identificar e classificar dados, possibilitou diferenciar veículos, bicicletas e pessoas. Além disso, as soluções de vídeo agora podem ser treinadas para reconhecer sombras, reflexos e brilho em condições de luz variáveis, diminuindo assim as taxas de alarmes falsos e expandindo o uso de gerenciamento de incidentes baseado em vídeo para rodovias e pontes.

(*)  Sergio Fukushima é gerente de Soluções da Axis Communications