基于圖像的電梯群控系統優化調度的研究

張洪成 張永林 潘 薇 劉 想

(江蘇科技大學電子信息學院 江蘇 鎮江 212000)

0 引 言

電梯是一種安裝在垂直建筑內,方便人們出行需要并提供運送服務的交通工具[1]。隨著高層建筑的層數與乘客流量的增加,設計方通常會采用配有群控調度算法的電梯集群以滿足乘客乘坐需求,該調度系統亦被稱為電梯群控系統[2](Elevator Group Control System,EGCS)。電梯群控系統以轎廂內呼叫信號(即轎廂內去往目標層的請求信號)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度任務后,對乘客進行運輸服務。但傳統電梯群控算法未能考慮到乘客群體的差異性,往往導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)因系統分配的轎廂剩余面積過小而無法進入,從而發生重復呼梯服務的現象[3]。該現象會導致全體候梯乘梯時間增加、乘梯舒適度下降,進一步導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調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優化調度的研究,通過利用攝像頭與圖像識別技術[4]估計電梯各層門廳的特殊乘客數量,將乘客群體差異性作為群控調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,人工智能已經被各個領域廣泛使用,其中深度學習是人工智能領域的研究熱點之一。為判斷出乘客群體差異性,本文將深度學習引入到電梯群控系統的研究中,運用SSD[5]模型進行候梯廳中等待乘客的人數[6]及其行李的數量和轎廂內人數檢測[7],根據檢測的情況進行電梯調度任務分配,避免重復門廳外呼叫的重復與“擁擠現象”,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

目前電梯根據轎廂數量和結構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僅安裝一部轎廂輸送乘客,目前電梯群控系統也多是以井道單轎廂電梯為基礎進行任務調度,多井道單轎廂電梯集群系統示意圖如圖1所示。

圖1 多井道單轎廂電梯集群系統示意圖

當乘客在門廳需要進行乘梯服務時,只需根據目標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臺電梯轎廂當前位置;pi為第i臺電梯轎廂內擁擠度;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;Ci為電梯群控系統分配給ci的一組外呼信號組合;N為電梯ci外呼信號集合總數;sik(i≤k≤N)為門廳內呼梯乘客所在層;gik(1≤k≤N)為轎廂內乘客的目標層;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量;cdik為所在層到目標層的運行方向,當sikgik,電梯為下行方向。

2 SSD目標檢測模型

SSD(Single Shot MultiBox Detector)目標檢測模型由劉偉于2016年提出,可以對圖像中多個目標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點,是目前主流的檢測框架之一。SSD的網絡模型[10]以具有前饋的卷積神經網絡VGG16為基礎,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網絡原有的Dropout層和FC8層,并在VGG16網絡之后連接多個卷積層,SSD網絡架構如圖2所示。

圖2 SSD網絡框架圖

2.1 SSD模型訓練

使用SSD目標檢測模型對電梯各層門廳進行基于圖像的多目標檢測,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,然后手動標注真實框并引導SSD網絡進行監督學習,最后利用NMS算法得到電梯各層門廳的預測結果,并根據電梯各層門廳目標圖像產生的標簽信息計算信息損失并進行參數調整,直至滿足迭代次數訓練。通過對SSD模型訓練后,該目標檢測算法能夠更加精確地進行圖像識別,在整個模型訓練的過程中,最重要的步驟是進行默認框的匹配和損失函數的計算。

2.2 默認框匹配

默認框是指當圖像輸入到SSD網絡時,SSD網絡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SSD網絡中存在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;kf為默認框個數。為避免出現默認框的數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 損失函數計算

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

(7)

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

相應位置回歸損失函數采用smoothL1函數,相應位置回歸損失函數如式(8)所示,smoothL1函數如式(9)所示。

(8)

(9)

(10)

3 方案設計

3.1 乘客群體分類規則

為了區分出電梯乘客群體,本文以門廳候梯乘客攜帶行李的數量為判斷條件,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模型檢測乘客的數量,當乘客數量ak≥1時,估算出行李的數量bk,并根據乘客與行李的數量進行乘客群體的分類,分類規則如式(11)所示。

(11)

式中：ak、bk、dk、ek分別表示第k層的候梯乘客數量、行李數量、預測的普通乘客數量以及預測的特殊乘客數量。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中,在一定程度上降低了特殊乘客電梯重復呼叫情況,減少了轎廂內擁擠問題,提高了電梯集群的調度效率。添加乘客差異性因素后轎廂調度優化方案如圖3所示。

該電梯群控調度系統首先響應外呼信號,然后通過SSD模型來確定電梯門廳內普通乘客與特殊乘客的人數,若候梯乘客人數為0,則等待外呼信號輸入;若候梯乘客人數不為0,則計算各電梯轎廂內的擁擠度,之后將特殊乘客人數ek與轎廂內擁擠度這兩個影響因素融合到原有的調度算法中,如蟻群算法、模糊算法等,通過算法調度,進行派梯服務?？紤]到特殊乘客的特殊性,當轎廂的擁擠度小于60%時會響應乘客需求且優先響應特殊乘客需求;當轎廂內擁堵大于60%且小于90%時,則僅會響應普通乘客需求;當轎廂內擁擠程度大于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度系統具有改進,仿真實驗主要包括兩個方面：一是驗證SSD目標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典電梯群控調度算法的影響。實驗以六井道單轎廂十層電梯集群系統為對象進行仿真,電梯對象參數設置如表1所示。

表1 電梯集群對象參數設置

4.1 基于SSD的乘客群體分類法

通過SSD目標檢測算法對一組電梯門廳候梯乘客圖片進行圖像識別,從結果可以看出準確度較高,并且該SSD目標檢測模型具有快速性的優點,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兩人距離過于緊密時,檢測結果會存在一定誤差,可能會發生不能正確標定每個人的情況。通過SSD目標檢測模型對電梯門廳的部分檢測結果如圖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 電梯門廳檢測結果1

圖5 電梯門廳檢測結果2

圖4中乘客與物品較少,經過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,導致分類中間乘客誤認為是特殊乘客,導致估算得到的乘客群體差異性準確度下降。綜上分析得到,SSD模型可以準確且快速地檢測到乘客與物品類別,檢測時間為毫秒級,準確度也很高,只要攝像頭放置的位置合理,排除電梯門廳外的干擾因素,乘客群體差異性準確度便會得到保證。

4.2 乘客差異性因素對群控調度算法的影響

為驗證乘客差異性因素對群控調度算法的重要性,本文以六井道單轎廂十層電梯集群系統為對象進行仿真。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度實驗結果作為對照組,將具有乘客差異性因素的基于蟻群算法電梯調度實驗結果作為實驗組。實驗中蟻群算法參數值是α=1,β=5,ρ=0.99,迭代次數為200次,最大等待時間設定值為60 s[13]。普通交通模式一小時內乘客人數總量為50人,其中特殊乘客人數為10人;上行與下行高峰一小時內乘客人數為100人,特殊乘客人數為20人。實驗結果如表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。由于電梯群控系統能夠為特殊乘客優先派梯,減少了特殊乘客因轎廂擁擠而無法乘梯的情況,且減少了重復呼梯的情況以及電梯集群能耗。

5 結 語

圖像識別技術與電梯調度系統的相互結合是今后的發展方向,無論是理論方面的研究還是在實際中的應用都需要考慮更多。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量,為電梯群控調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果,與傳統電梯群控調度算法相配合,大大減少了特殊乘客在客流高峰期的等待時間,同時減少了重復呼梯的情況,降低了電梯集群的能耗。