A Multi-modal Detection System for Infrastructure-based Freight Signal Priority

Este artigo apresenta o projeto, a implementação e a avaliação de um sistema de detecção multimodal baseado em infraestrutura, que integra LiDAR e câmeras com rastreamento por filtro de Kalman para monitorar com precisão o movimento de veículos de carga e suportar estratégias de prioridade em semáforos.

O essencial

Imagine que o trânsito é como um grande rio de carros, e os caminhões são os grandes navios mercantes que precisam chegar ao porto (o cruzamento) com urgência, mas que têm dificuldade para acelerar e frear. Quando esses "navios" param e voltam a andar em um semáforo, eles gastam muita combustível e poluem mais.

Este artigo descreve um "Sistema de Radar Inteligente" instalado nas ruas para ajudar esses caminhões a passarem mais rápido pelos semáforos, sem precisar de equipamentos especiais dentro do próprio caminhão.

Aqui está a explicação do projeto, usando analogias do dia a dia:

1. O Problema: A Curva Cega

Em algumas ruas, a estrada faz uma curva. Imagine que você é um guarda de trânsito tentando ver um caminhão que se aproxima, mas há uma colina ou uma curva fechada escondendo a visão dele. O caminhão aparece de repente, muito perto, e o semáforo não tem tempo de reagir.

• A Solução: Os pesquisadores instalaram dois "olhos" de vigilância. Um fica no cruzamento e outro fica mais longe, no meio do quarteirão (antes da curva). É como ter um guarda na entrada da cidade e outro na esquina, avisando o primeiro sobre quem está chegando.

2. Os "Olhos" do Sistema (Sensores)

O sistema usa duas tecnologias juntas, como se fosse um detetive usando dois sentidos:

• LiDAR (O "Sonar" 3D): É um laser que dispara milhões de pontos de luz por segundo para criar um mapa 3D do que está na rua. Ele funciona mesmo no escuro ou com chuva.
• Câmeras (Os "Olhos" Normais): Tiram fotos para ajudar a identificar se o objeto é um caminhão ou um carro pequeno.
• O Cérebro (Computador de Borda): Um computador pequeno instalado no poste que processa essas informações em tempo real, como um cérebro que decide rapidamente: "Isso é um caminhão? Ele está vindo para cá?"

3. Como o Sistema "Pensa" (O Processo)

O sistema não apenas vê, ele entende o que vê em várias etapas:

1. Limpeza: Primeiro, ele remove o "ruído" (como folhas de árvores ou sombras) do mapa 3D, focando apenas no que se move.
2. Agrupamento: Ele junta os pontos que formam um objeto. Se os pontos formam uma caixa grande e alta, provavelmente é um caminhão. Se é baixo e pequeno, é um carro.
3. Rastreamento (O "Filme"): O sistema não olha apenas uma foto estática. Ele cria um "filme" mental, usando um filtro matemático (Filtro de Kalman) para prever onde o caminhão estará no próximo segundo, mesmo que ele pisque ou fique oculto por um segundo.
4. Direção: Ele calcula se o caminhão está vindo para o cruzamento ou saindo dele. Só quem vem é que recebe prioridade.

4. O Desafio do Mapa (Calibração GPS)

Um dos maiores desafios foi fazer com que o mapa 3D do laser (LiDAR) combinasse perfeitamente com o mapa do GPS do mundo real.

• A Analogia: Imagine tentar colar um mapa de papel (o laser) em um globo terrestre (o GPS). Se você colar torto, o caminhão pode parecer estar na calçada em vez da pista.
• A Solução: Eles usaram um carro de referência com um GPS superpreciso e fizeram um "jogo de encaixe" matemático, alinhando pontos fixos (como postes) e a trajetória do carro para garantir que o sistema saiba exatamente em qual faixa o caminhão está.

5. O Resultado: Funciona?

O sistema foi testado na vida real e os resultados foram promissores:

• Precisão: Ele identificou caminhões corretamente na maioria das vezes (75% de precisão).
• Segurança: O sistema é um pouco "medroso" (conservador). Ele prefere não chamar um caminhão que não é (para não atrapalhar o trânsito) do que chamar um carro pequeno achando que é um caminhão. Por isso, ele às vezes perde alguns caminhões (recall mais baixo), mas quando chama, é quase certo que é um caminhão.
• Velocidade: O sistema é rápido o suficiente para processar 10 vezes por segundo, o que é essencial para semáforos que mudam em frações de segundo.

Conclusão

Em resumo, os pesquisadores criaram um sistema de vigilância inteligente nas ruas que "enxerga" caminhões à distância, mesmo em curvas difíceis, e avisa o semáforo para ficar verde para eles. Isso economiza combustível, reduz a poluição e faz o trânsito fluir melhor, tudo isso sem precisar instalar nada dentro do caminhão dos motoristas.

É como dar um "superpoder" de visão de raio-X à infraestrutura da cidade para cuidar melhor dos grandes veículos que precisam chegar a tempo.

Resumo técnico

Resumo Técnico: Sistema de Detecção Precoce Multimodal para Prioridade de Sinal de Carga (FSP)

Referência: Zhang, Z., et al. (2026). A Multi-modal Early Detection System for Infrastructure-based Freight Signal Priority. ICTD 2026 / ASCE Proceedings.

1. Problema e Motivação

O artigo aborda a necessidade de melhorar a mobilidade de caminhões em interseções sinalizadas através da Prioridade de Sinal para Carga (FSP - Freight Signal Priority).

• Desafio Ambiental e Econômico: Caminhões pesados, embora representem apenas ~9% dos veículos e ~17% da quilometragem percorrida (VMT), contribuem com ~39% das emissões de gases de efeito estufa (GEE) ao longo do ciclo de vida. Paradas e arrancadas frequentes aumentam o consumo de combustível e as emissões.
• Limitações das Soluções Atuais: Abordagens baseadas em comunicação Veículo-para-Infraestrutura (V2I) ou Veículo-para-Veículo (V2V) exigem equipamentos a bordo, o que limita sua adoção em escala real.
• Obstáculo Específico do Local: O local de estudo apresenta uma curva na via que causa oclusão (bloqueio de visão) para sensores instalados na interseção, dificultando a detecção precoce de caminhões que se aproximam de uma direção específica.

2. Metodologia e Arquitetura do Sistema

Os autores desenvolveram um sistema de detecção baseado em infraestrutura, utilizando sensores LiDAR e câmeras, com uma arquitetura híbrida de dois subsistemas:

• Arquitetura de Duplo Subsistema:

  1. Subsistema na Interseção: Equipado com um LiDAR de estado sólido de longo alcance (Livox TELE-15) e câmera, monitorando a direção principal.
  2. Subsistema no Meio do Quarteirão (Midblock): Instalado em um poste existente para superar a oclusão causada pela curva. Utiliza um LiDAR mecânico de médio alcance (Robosense Ruby Plus) e câmera para detectar caminhões mais cedo.
  3. Comunicação: Os dados de detecção do subsistema "midblock" são transmitidos para a interseção via uma ponte de comunicação sem fio (Ubiquiti AirFiber 5XHD) sincronizada com Protocolo de Tempo Preciso (PTP).

• Pipeline de Processamento de Dados:

  • Aquisição: Dados brutos de LiDAR e câmera são coletados via ROS2, sincronizados por tempo.
  • Pré-processamento:
    • Correção de Rotação: Ajuste de roll e pitch para alinhar o eixo Z verticalmente.
    • Corte (Cropping): Definição de Regiões de Interesse (ROI) para remover ruído de fundo.
    • Construção de Fundo: Mapeamento de fundo estático para filtrar objetos dinâmicos.
    • Redução de Resolução: Subamostragem por grade de voxels para eficiência computacional.
  • Detecção e Rastreamento:
    • Utilização de um detector baseado em LiDAR convencional (não Deep Learning, devido à falta de generalização de modelos pré-treinados para LiDAR de estado sólido neste cenário específico).
    • Extração de objetos de fundo usando filtragem de distância adaptativa (KD-tree).
    • Agrupamento (Clustering): Algoritmo DBSCAN para agrupar pontos em objetos.
    • Rastreamento: Filtro de Kalman (6D, velocidade constante) para suavizar trajetórias e estimar velocidade, permitindo calcular o Tempo de Chegada (ToA).
  • Classificação de Caminhões: Baseada em três características geométricas: altura absoluta, altura relativa e distribuição de pontos no eixo Z.
  • Calibração GPS-LiDAR: Registro de coordenadas LiDAR em um sistema de referência geodésico (ENU) utilizando pontos estáticos e alinhamento de trajetória dinâmica para localização no nível da faixa.

3. Contribuições Principais

1. Pipeline Completo: Apresentação de um fluxo de trabalho completo de design, implementação e avaliação para um sistema de detecção multimodal baseado em infraestrutura.
2. Arquitetura Adaptativa: Proposta de uma arquitetura de dois subsistemas para resolver desafios únicos de visibilidade em locais com curvas de via.
3. Integração de Dados: Desenvolvimento de pipelines de aquisição e processamento que integram dados de LiDAR e câmera, demonstrando resultados preliminares de detecção e rastreamento.
4. Localização de Nível de Faixa: Registro bem-sucedido de coordenadas derivadas do LiDAR em quadros de referência geodésicos, permitindo a localização precisa de veículos dentro de faixas específicas.

4. Resultados e Avaliação

O sistema foi avaliado em termos de precisão de detecção, eficiência em tempo real e precisão de calibração.

• Precisão de Detecção (FSP):
  • Avaliação baseada em 20 cenários representativos (caminhões vs. não caminhões).
  • Resultados: Precisão (Precision) de 0,75, Recall de 0,50 e F1-Score de 0,60.
  • Interpretação: O sistema é conservador (alta precisão, poucos falsos positivos), mas perde algumas detecções (recall mais baixo). Isso é aceitável para evitar ativações falsas de prioridade, embora futuras melhorias visem reduzir os falsos negativos.
• Eficiência em Tempo Real:
  • O processamento por quadro manteve-se abaixo de 0,05 segundos (20 Hz), atendendo facilmente ao requisito de 10 Hz para operação em tempo real, mesmo com a densidade de pontos do LiDAR.
• Calibração GPS:
  • Interseção Principal: Erro médio de registro estático de 0,21 m e erro médio de alinhamento de trajetória de 0,345 m.
  • Meio do Quarteirão (Midblock): Erros maiores (0,346 m e 0,885 m, respectivamente), atribuídos à menor densidade de pontos devido à distância e à maior velocidade dos veículos, que reduzem a densidade de amostragem da trajetória.

5. Significância e Conclusão

Este trabalho demonstra a viabilidade de sistemas de detecção baseados em infraestrutura para suportar aplicações de FSP sem depender de equipamentos a bordo nos caminhões.

• Impacto Prático: A solução oferece uma alternativa viável para locais onde a comunicação V2I não é universalmente disponível, permitindo a implementação de estratégias de prioridade que podem reduzir o consumo de combustível e as emissões de GEE.
• Insights para o Futuro: O estudo destaca a necessidade de conjuntos de dados multimodais específicos para detecção de carga de longo alcance e LiDAR de estado sólido para treinar modelos de Deep Learning mais robustos. Além disso, sugere que a fusão de dados de câmera e LiDAR durante o dia pode melhorar ainda mais a precisão da detecção.

Em suma, o sistema proposto fornece uma base sólida para o desenvolvimento de infraestruturas de sensores inteligentes focadas na mobilidade e sustentabilidade do transporte de cargas.