基于圖像的電梯群控系統(tǒng)優(yōu)化調(diào)度的研究

張洪成 張永林 潘 薇 劉 想

(江蘇科技大學(xué)電子信息學(xué)院 江蘇 鎮(zhèn)江 212000)

0 引 言

電梯是一種安裝在垂直建筑內(nèi),方便人們出行需要并提供運送服務(wù)的交通工具[1]。隨著高層建筑的層數(shù)與乘客流量的增加,設(shè)計方通常會采用配有群控調(diào)度算法的電梯集群以滿足乘客乘坐需求,該調(diào)度系統(tǒng)亦被稱為電梯群控系統(tǒng)[2](Elevator Group Control System,EGCS)。電梯群控系統(tǒng)以轎廂內(nèi)呼叫信號(即轎廂內(nèi)去往目標(biāo)層的請求信號)和門廳外呼叫信號(即轎廂外每層去向信號)為輸入信號,電梯在接受算法的調(diào)度任務(wù)后,對乘客進行運輸服務(wù)。但傳統(tǒng)電梯群控算法未能考慮到乘客群體的差異性,往往導(dǎo)致需要更多乘坐空間的特殊用戶(例如坐輪椅的人和帶嬰兒車的家庭)因系統(tǒng)分配的轎廂剩余面積過小而無法進入,從而發(fā)生重復(fù)呼梯服務(wù)的現(xiàn)象[3]。該現(xiàn)象會導(dǎo)致全體候梯乘梯時間增加、乘梯舒適度下降,進一步導(dǎo)致整個電梯集群的運送效率下降、能耗增加。因此如何識別出特殊乘客,并將乘客群體的差異性作為電梯群控系統(tǒng)調(diào)度因素是一個亟須解決的問題。

有鑒于此,本文展開基于圖像的電梯群控系統(tǒng)優(yōu)化調(diào)度的研究,通過利用攝像頭與圖像識別技術(shù)[4]估計電梯各層門廳的特殊乘客數(shù)量,將乘客群體差異性作為群控調(diào)度算法的一個影響因素,以此減少特殊乘客的平均候梯時間,兼顧公平性。近年來,人工智能已經(jīng)被各個領(lǐng)域廣泛使用,其中深度學(xué)習(xí)是人工智能領(lǐng)域的研究熱點之一。為判斷出乘客群體差異性,本文將深度學(xué)習(xí)引入到電梯群控系統(tǒng)的研究中,運用SSD[5]模型進行候梯廳中等待乘客的人數(shù)[6]及其行李的數(shù)量和轎廂內(nèi)人數(shù)檢測[7],根據(jù)檢測的情況進行電梯調(diào)度任務(wù)分配,避免重復(fù)門廳外呼叫的重復(fù)與“擁擠現(xiàn)象”,提高乘客乘坐舒適度與電梯群控的效率,減少電梯群組的運行能耗。

1 電梯系統(tǒng)

目前電梯根據(jù)轎廂數(shù)量和結(jié)構(gòu)可將其劃分為多井道單轎廂電梯、單井道雙層轎廂電梯、單井道多轎廂電梯和循環(huán)式多轎廂電梯[8]。生活中最為常見的垂直運行電梯集群為多井道單轎廂電梯,該類型電梯在一條垂直井道內(nèi)僅安裝一部轎廂輸送乘客,目前電梯群控系統(tǒng)也多是以井道單轎廂電梯為基礎(chǔ)進行任務(wù)調(diào)度,多井道單轎廂電梯集群系統(tǒng)示意圖如圖1所示。

圖1 多井道單轎廂電梯集群系統(tǒng)示意圖

當(dāng)乘客在門廳需要進行乘梯服務(wù)時,只需根據(jù)目標(biāo)層相對于所在層的方向按下上行或下行按鈕。某時刻轎廂的狀態(tài)定義如下：

ci=(fi,pi,di,Ci)

(1)

Ci={(si1,gi1,e1,d1,cdi1),(si2,gi2,e2,d2,cdi2),

…,(siN,giN,eN,dN,cdiN)}

(2)

式中：fi為第i臺電梯轎廂當(dāng)前位置;pi為第i臺電梯轎廂內(nèi)擁擠度;di為第i臺電梯轎廂方向,分為上行、下行以及停止三種狀態(tài);Ci為電梯群控系統(tǒng)分配給ci的一組外呼信號組合;N為電梯ci外呼信號集合總數(shù);sik(i≤k≤N)為門廳內(nèi)呼梯乘客所在層;gik(1≤k≤N)為轎廂內(nèi)乘客的目標(biāo)層;dk、ek(1≤k≤N)分別為電梯第k層門廳普通乘客與特殊乘客的數(shù)量;cdik為所在層到目標(biāo)層的運行方向,當(dāng)sikgik,電梯為下行方向。

2 SSD目標(biāo)檢測模型

SSD(Single Shot MultiBox Detector)目標(biāo)檢測模型由劉偉于2016年提出,可以對圖像中多個目標(biāo)進行有效地識別與分類,相比于之前的Faster R-CNN檢測算法、YOLO檢測算法,具有檢測精度高且速度快的優(yōu)點,是目前主流的檢測框架之一。SSD的網(wǎng)絡(luò)模型[10]以具有前饋的卷積神經(jīng)網(wǎng)絡(luò)VGG16為基礎(chǔ),將原有的FC6全連接層改為3×3的卷積層Conv6,原有的FC7全連接層改為1×1的卷積層Conv7,池化層pool5中2×2的stride=2改為3×3的stride=1,增加Atrous算法獲取更密集的映射,去除VGG16網(wǎng)絡(luò)原有的Dropout層和FC8層,并在VGG16網(wǎng)絡(luò)之后連接多個卷積層,SSD網(wǎng)絡(luò)架構(gòu)如圖2所示。

圖2 SSD網(wǎng)絡(luò)框架圖

2.1 SSD模型訓(xùn)練

使用SSD目標(biāo)檢測模型對電梯各層門廳進行基于圖像的多目標(biāo)檢測,通過輸入各層門廳的圖像進入SSD模型,生成許多且尺度不同的特征圖[9]。之后在特征圖中產(chǎn)生特定長寬比的默認框并用于提取圖像特征信息,然后手動標(biāo)注真實框并引導(dǎo)SSD網(wǎng)絡(luò)進行監(jiān)督學(xué)習(xí),最后利用NMS算法得到電梯各層門廳的預(yù)測結(jié)果,并根據(jù)電梯各層門廳目標(biāo)圖像產(chǎn)生的標(biāo)簽信息計算信息損失并進行參數(shù)調(diào)整,直至滿足迭代次數(shù)訓(xùn)練。通過對SSD模型訓(xùn)練后,該目標(biāo)檢測算法能夠更加精確地進行圖像識別,在整個模型訓(xùn)練的過程中,最重要的步驟是進行默認框的匹配和損失函數(shù)的計算。

2.2 默認框匹配

默認框是指當(dāng)圖像輸入到SSD網(wǎng)絡(luò)時,SSD網(wǎng)絡(luò)上每個卷積層特征圖以每個特征點為中心生成的同心矩形框。默認框線性遞增規(guī)則是隨著特征圖大小降低,默認框尺度線性增加。通常情況下,一個特征圖會有多個默認框,且在尺度(Scale)和長寬比(Aspect Ratio)兩個方面存在差異。假設(shè)SSD網(wǎng)絡(luò)中存在m幅特征圖,每幅特征圖生成kf個特征框[10],按照默認框線性遞增規(guī)則,默認框的尺度如下：

(3)

式中：Sk表示默認框相對于輸入圖像的尺度;Smin=0.2代表最底層尺度;Smax=0.9代表最高層尺度;m為特征圖個數(shù);kf為默認框個數(shù)。為避免出現(xiàn)默認框的數(shù)量過少以及類型單一的情況,引入長寬比ar,其5種類型如下：

(4)

(5)

(6)

2.3 損失函數(shù)計算

當(dāng)確定訓(xùn)練樣本之后,為保證默認框與人工標(biāo)注的真實框的一致性,需要計算出樣本訓(xùn)練損失值。SSD目標(biāo)檢測模型與其他檢測目標(biāo)模型在損失函數(shù)方面較為相同,分為相應(yīng)位置回歸的損失(Location Loss)與置信度損失(Confidence Loss)兩部分[11],損失函數(shù)表達式如下所示：

(7)

式中：Lloc為相應(yīng)位置回歸損失;Lconf為置信度損失;Nf為默認框與真實框匹配的個數(shù);α=1為相應(yīng)位置回歸損失與置信度損失之間的比例參數(shù);x為默認框與真實框匹配結(jié)果;l為默認框;g為真實框;c為置信度。

相應(yīng)位置回歸損失函數(shù)采用smoothL1函數(shù),相應(yīng)位置回歸損失函數(shù)如式(8)所示,smoothL1函數(shù)如式(9)所示。

(8)

(9)

(10)

3 方案設(shè)計

3.1 乘客群體分類規(guī)則

為了區(qū)分出電梯乘客群體,本文以門廳候梯乘客攜帶行李的數(shù)量為判斷條件,將門廳候梯乘客群體分為普通候梯乘客與特殊候梯乘客。設(shè)普通候梯乘客為不攜帶行李或手持、背帶小件行李的候梯乘客,如背書包的學(xué)生、手持皮包的女士等,特殊候梯乘客為攜帶中大件行李、搬運物品的候梯乘客,如輪椅用戶、推嬰兒車的家庭人員等。

攝像頭的采集速率可設(shè)為一幅每秒,通過攝像頭采集的圖像,利用SSD模型檢測乘客的數(shù)量,當(dāng)乘客數(shù)量ak≥1時,估算出行李的數(shù)量bk,并根據(jù)乘客與行李的數(shù)量進行乘客群體的分類,分類規(guī)則如式(11)所示。

(11)

式中：ak、bk、dk、ek分別表示第k層的候梯乘客數(shù)量、行李數(shù)量、預(yù)測的普通乘客數(shù)量以及預(yù)測的特殊乘客數(shù)量。某一時刻電梯門廳候梯乘客群體差異性信息Pm定義如下：

Pm={(a1,b1,d1,e1),(a2,b2,d2,e2),…,(ak,bk,dk,ek)}

(12)

3.2 轎廂調(diào)度方案

通過運用SSD模型檢測出電梯門體候梯乘客與攜帶行李的數(shù)量,估算得到乘客群體差異性信息Pm并將該信息融入電梯群控系統(tǒng)中,在一定程度上降低了特殊乘客電梯重復(fù)呼叫情況,減少了轎廂內(nèi)擁擠問題,提高了電梯集群的調(diào)度效率。添加乘客差異性因素后轎廂調(diào)度優(yōu)化方案如圖3所示。

該電梯群控調(diào)度系統(tǒng)首先響應(yīng)外呼信號,然后通過SSD模型來確定電梯門廳內(nèi)普通乘客與特殊乘客的人數(shù),若候梯乘客人數(shù)為0,則等待外呼信號輸入;若候梯乘客人數(shù)不為0,則計算各電梯轎廂內(nèi)的擁擠度,之后將特殊乘客人數(shù)ek與轎廂內(nèi)擁擠度這兩個影響因素融合到原有的調(diào)度算法中,如蟻群算法、模糊算法等,通過算法調(diào)度,進行派梯服務(wù)?？紤]到特殊乘客的特殊性,當(dāng)轎廂的擁擠度小于60%時會響應(yīng)乘客需求且優(yōu)先響應(yīng)特殊乘客需求;當(dāng)轎廂內(nèi)擁堵大于60%且小于90%時,則僅會響應(yīng)普通乘客需求;當(dāng)轎廂內(nèi)擁擠程度大于90%時,拒絕所有乘客需求。

4 仿真實驗與分析

為驗證乘客群體差異性因素對電梯群控調(diào)度系統(tǒng)具有改進,仿真實驗主要包括兩個方面：一是驗證SSD目標(biāo)檢測算法對乘客群體差異性判斷的可行性,另一方面檢驗乘客群體差異性因素對各類經(jīng)典電梯群控調(diào)度算法的影響。實驗以六井道單轎廂十層電梯集群系統(tǒng)為對象進行仿真,電梯對象參數(shù)設(shè)置如表1所示。

表1 電梯集群對象參數(shù)設(shè)置

4.1 基于SSD的乘客群體分類法

通過SSD目標(biāo)檢測算法對一組電梯門廳候梯乘客圖片進行圖像識別,從結(jié)果可以看出準(zhǔn)確度較高,并且該SSD目標(biāo)檢測模型具有快速性的優(yōu)點,所以對電梯門廳的實時檢測具有較好的適用性。

但從檢測圖像中可以看到當(dāng)兩人距離過于緊密時,檢測結(jié)果會存在一定誤差,可能會發(fā)生不能正確標(biāo)定每個人的情況。通過SSD目標(biāo)檢測模型對電梯門廳的部分檢測結(jié)果如圖4、圖5所示,SSD模型圖像檢測時間、可信度與乘客群體組別如表2所示。

圖4 電梯門廳檢測結(jié)果1

圖5 電梯門廳檢測結(jié)果2

圖4中乘客與物品較少,經(jīng)過SSD模型圖像識別后成功識別出乘客與攜帶的物品,可信度皆大于80%,并將該乘客與攜帶的行李列為特殊乘客組1。

圖5中SSD模型檢測出的乘客與物品成功率與可信度較高,由于乘客與物品較多,會將門廳的木板誤認為是乘客行李,導(dǎo)致分類中間乘客誤認為是特殊乘客,導(dǎo)致估算得到的乘客群體差異性準(zhǔn)確度下降。綜上分析得到,SSD模型可以準(zhǔn)確且快速地檢測到乘客與物品類別,檢測時間為毫秒級,準(zhǔn)確度也很高,只要攝像頭放置的位置合理,排除電梯門廳外的干擾因素,乘客群體差異性準(zhǔn)確度便會得到保證。

4.2 乘客差異性因素對群控調(diào)度算法的影響

為驗證乘客差異性因素對群控調(diào)度算法的重要性,本文以六井道單轎廂十層電梯集群系統(tǒng)為對象進行仿真。在普通交通模式、上行高峰模式以及下行高峰模式三組模式下,以蟻群算法為群控調(diào)度算法[12],對乘客差異性因素進行對比實驗。將基于蟻群算法的電梯調(diào)度實驗結(jié)果作為對照組,將具有乘客差異性因素的基于蟻群算法電梯調(diào)度實驗結(jié)果作為實驗組。實驗中蟻群算法參數(shù)值是α=1,β=5,ρ=0.99,迭代次數(shù)為200次,最大等待時間設(shè)定值為60 s[13]。普通交通模式一小時內(nèi)乘客人數(shù)總量為50人,其中特殊乘客人數(shù)為10人;上行與下行高峰一小時內(nèi)乘客人數(shù)為100人,特殊乘客人數(shù)為20人。實驗結(jié)果如表3所示。

表3 乘客差異性因素對比試驗表

對比實驗結(jié)果表明乘客差異性因素在普通交通模式下,對乘客群體整體影響較小,電梯能耗也較為相似;在交通高峰期會略微提高普通乘客候梯時間,大幅降低特殊乘客候梯時間。由于電梯群控系統(tǒng)能夠為特殊乘客優(yōu)先派梯,減少了特殊乘客因轎廂擁擠而無法乘梯的情況,且減少了重復(fù)呼梯的情況以及電梯集群能耗。

5 結(jié) 語

圖像識別技術(shù)與電梯調(diào)度系統(tǒng)的相互結(jié)合是今后的發(fā)展方向,無論是理論方面的研究還是在實際中的應(yīng)用都需要考慮更多。針對乘客差異性欠缺的問題,本文提出基于SSD模型的乘客群體分類法,并采用仿真實驗進行測試。實驗結(jié)果表明該算法可以有效地估算出特殊乘客與普通乘客的數(shù)量,為電梯群控調(diào)度算法提供乘客群體差異性因素。通過各層電梯門廳采集到的檢測結(jié)果,與傳統(tǒng)電梯群控調(diào)度算法相配合,大大減少了特殊乘客在客流高峰期的等待時間,同時減少了重復(fù)呼梯的情況,降低了電梯集群的能耗。