Warum LiDAR Smart City Verkehrsmanagement transformiert

Smart-City-Initiativen fokussieren zunehmend auf intelligente Transportsysteme (ITS). Ein kürzliches Pilotprojekt in San Francisco mit LiDAR-Sensoren demonstriert, wie diese Technologie das Vision Zero Verkehrsampel-Projekt der Stadt verbessern kann.

Vision Zero zielt darauf ab, Verkehrstote auf null zu reduzieren – San Francisco verliert jährlich ca. 30 Menschenleben und verzeichnet über 200 Verletzte. Der Pilot testet multimodale intelligente Verkehrsampelsysteme (MMITSS), Dedicated Short-Range Communication (DSRC), Transit Signal Priority (TSP) und Emergency Vehicle Preemption (EVP), um ÖPNV- und Notfallfahrzeugen Priorität einzuräumen und gleichzeitig Fußgängern und Radfahrern sichere Überquerungsintervalle zu geben.

Der erste Proof-of-Concept, abgeschlossen Januar 2020, installierte LiDAR an fünf Kreuzungen und erreichte 96 % Genauigkeit bei anonymem Fahrzeug- und Fußgängerprofiling. Der zweite PoC fügt die Datenschicht dem Signalsteuerungsnetz hinzu, geplant für Anfang 2021.

Wir interviewten Quanergys Chief Marketing Officer Enzo Signore und den unabhängigen Strategieberater Paul Hoekstra, den SFMTA-Projektleiter.

LiDAR: Anonymes Objekt-Tracking über Kreuzungen hinweg

Enzo Signore von Quanergy erklärt, dass LiDARs Schlüsselvorteil in Stadien und Smart Cities seine Fähigkeit ist, jedem bewegten Objekt eine persistente, anonyme ID zuzuweisen, was End-to-End-Tracking über mehrere Kreuzungen ermöglicht, ohne Identitäten preiszugeben.

Kontinuierliches ID-Tracking über mehrere Kreuzungen erfordert synchronisierte Sensoren und Edge Computing. Traditionelle Systeme verlieren die ID, wenn ein Objekt von einem Sensorsichtfeld in ein anderes wechselt, was den Datenstrom fragmentiert.

Quanergys automatisierter ID-Handover-Mechanismus überträgt die Objekt-ID nahtlos zwischen Sensoren, bewahrt einen einzelnen Identifier über die gesamte Reise und liefert umfassende Flussanalytik.

Quanergys M-Serie, einschließlich dem Langstrecken-MQ-8, ist für Flussmanagement-Aufgaben ausgelegt. Im Gegensatz zu konventionellem LiDAR, das einen symmetrischen Strahl emittiert, richtet der MQ-8 alle Strahlen nach unten, gewährleistet vollständige Bodenabdeckung und eliminiert Blind Spots. Dieses Design erzielt 70 m Detektionsradius (15.000 m²) und reduziert Anzahl benötigter Sensoren und Kosten.

Da LiDAR nur geometrische Daten erfasst, umgeht es Gesichtsrekognitions-Privatsphärebedenken und bietet anonymes, konformes Verkehrsmonitoring.

Überwindung von Privatsphäreproblemen bei Gesichtserkennung

Paul Hoekstra für SFMTA beschreibt Projektrationale und Ergebnisse.

Als wir den Pilot im April 2019 mit SFMTA, Cisco und Quanergy starteten, nutzten wir zunächst DSRC-Sensoren. Doch nur 1 % der Fahrzeuge sendeten DSRC-Signale, was die Technologie für Verkehrsflussmessung unwirksam machte.

Wir deployten 20 LiDAR-Einheiten an fünf Kreuzungen entlang der 3rd Street, nahe dem neuen Basketballstadion. Edge Computing lief auf Cisco TRX Units, ausführend Quanergys QORTEX Software, die Daten an einen Cisco Kinetic-powered VM Cluster streamt, der ~30 Millionen Nachrichten wöchentlich speichert.

Sonntagsberichte detaillieren Fahrzeugtrajektorien, Zeitstempel, Ursprünge, Ziele, Stopps, Dauer, Geschwindigkeiten und Event-Kontext. Diese Verknüpfung über Kreuzungen erlaubt Quantifizierung von Bewegungen wie nordwärts Einfahrten und Abbieger.

Mit QORTEX kalibrierter Logik erreichten wir 96 % Genauigkeit beim Matching von Ein- und Ausfahrts-IDs. Für Fußgänger offenbaren Zonendefinitionen Bordsteinpräsenz, Zebrastreifengrenzen und Nähe zu Fahrzeugen, was Near-Miss-Analyse basierend auf Vektoren und Geschwindigkeiten ermöglicht.

Das System erfasst nur anonyme Formen – Fahrzeuge als Blöcke, Fußgänger als Punkte – und stellt sicher, dass keine Personendaten gespeichert werden.

Der erste PoC fokussierte auf Datenanalyse. Der zweite PoC verdoppelt die Kreuzungszahl von fünf auf zehn und erweitert den Korridor-Scope.

Wir integrieren Signalcontroller-Daten – Induktionsschleifen, Drucktaster, Rail-Sensoren – in die zentrale Plattform, schaffen bidirektionalen Informationsfluss. Objektklassifikation von Edge-Sensoren informiert vorhergesagte Transit-Verweilzeiten basierend auf Passagierkomposition (Rollstühle, Kinderwagen, Fahrräder).

Backend-Analytik schätzt optimale Verweilzeiten (z.B. 20 s vs. 32 s) und extrapoliert über den gesamten Korridor.

Korridor-Optimierung erfordert Betrachtung als vernetztes Netzwerk statt isolierter Knoten. Hochfrequente algorithmische Neuberechnungen – potenziell über 1 Hz – ermöglichen Echtzeit-Signaljustierungen.

Diese Algorithmen speisen Echtzeit-Befehle an Signalcontroller, schließen den Loop und exemplifizieren integriertes Verkehrsmanagement.

San Francisco beherbergt bereits 7.000 Kameras, aber sie liefern nur 2D-Bilder und weniger präzise Standortdaten. LiDAR bietet überlegene Genauigkeit, funktioniert bei Regen und nachts und vermeidet Privatsphärebedenken visueller Identifikation.

Das Projekt zielt darauf ab, Notfallfahrzeugen Priorität zu geben, Transitfahrpläne zu optimieren und Fahrzeugplatooning zu facilitieren, wenn ÖPNV nicht verfügbar ist, und dadurch Korridoreffizienz zu verbessern.