خودرو هوشمند... خیابان هوشمند

با تولید انبوه خودرو از دهه 1950 معضل ترافیک نیز به مشکلات دیگر انسان به ویژه امور شهرنشینی اضافه شد. کشورها برای مقابله با این معضل سیاست ها و راهکارهای متفاوتی را پیش گرفتند. ابتدا به ساخت خیابان و جاده و بزرگراه پرداختند، اما مشکلات ترافیک کاملا حل نشد. به تدریج برنامه ریزان حمل و نقل به این نتیجه رسیدند که مقوله جابه جایی مسافر در مناطق شهری را بیشتر مورد توجه قرار داده و با ایجاد شبکه های عظیم حمل ونقل عمومی نظیر مترو و اتوبوس رانی مشکل ترافیک را حل کنند. با گذشت زمان فراهم آوردن امکانات و تسهیلات لازم همچون خدمات دولتی و مدارس برای کاهش سفر به برنامه های مدیریت شهری اضافه شده و اصطلاحات دیگری نظیر مدیریت تقاضای حمل و نقل به ادبیات ترافیک وارد شدند.
مدیریت تقاضای حمل ونقل به تمام استراتژی هایی اتلاق می شود که باعث افزایش کارایی سیستم های حمل ونقل می شود و امروزه به عنوان راهکار مناسب برای حل بسیاری از مشکلات ترافیکی شناخته شده است. مدیریت تقاضا بیش تر بر جابه جایی مسافر و کالا تاکید می کند تا بر وسایل نقلیه. بنابراین انواع مدهای حمل ونقل همچون پیاده روی، دوچرخه سواری و حمل ونقل عمومی خصوصا در شرایط ترافیک سنگین، افزایش گزینه های توسعه حمل و نقل عمومی، توسعه حمل و نقل غیر موتوری، زمان کار شناور(Flextime) و بهبود تاکسیرانی را شامل می شود.
از استراتژی های مدیریت تقاضا برای کاهش نیاز به سفرهای فیزیکی و کارآمد کردن کاربری زمین و مدیریت پارکینگ می توان به رشد هوشمند، شهرنشینی مدرن و مدیریت پارکینگ اشاره کرد.
خط مشی هایی که در این مقوله مد نظر قرار می گیرند، امکان استفاده از زمان های مختلف برای سفر، مد های سفر و مسیرهای مختلف را برای مردم فراهم می آورد و حتی برخی از این راهکارها باعث کاهش سفرهای فیزیکی می شود.
از دهه 90 میلادی متخصصان حمل ونقل دریافتند که مصرف کنندگان ظرفیت ها و امکانات جدید را در مدت کوتاهی بلعیده و به دلیل رقابت شدید میان توسعه دهندگان راه و جاده و تولیدکنندگان خودروهای راحت و ارزان، تلاش های عمرانی بی اثر شده و ایمنی راه ها نیز روز به روز درحال کاهش است.

از طرف دیگر پیشرفت فناوری های روز به ویژه حسگرها و دستگاه های الکترونیکی شرایط مناسبی را برای ایجاد ارتباط بلادرنگ یا آنی میان برنامه ریزان، مراکز مدیریت ترافیک، خودروها و نیز ارائه وضعیت ترافیکی جاده ها فراهم آورده است. در نتیجه امکان ایجاد مدیریت هوشمندانه، هدفمند و هماهنگ به منظور ارتقای بهره وری و افزایش کارآیی شبکه های حمل ونقل محقق شده و به این ترتیب در ابتدای دهه 90 میلادی سیستم های حمل ونقل هوشمند (ITS) به مفهوم امروزی آن متولد شدند. البته پروژه هایی نظیر نصب دوربین در تقاطع های شهری و نیز کنترل هوشمند زمان بندی چراغ های راهنمایی متناسب با حجم ترافیک در دهه 70 در بسیاری از کشورها آغاز شده بود. اما عبارت سیستم حمل ونقل هوشمند، برای اولین بار در سال 1990 در آمریکا به بحث مدیریت حمل ونقل وارد شد و کلیه پروژه ها و فناوری های مرتبط با موضوع و به خصوص روابط تعاملی بین آنها در یک ساختار کلان و به هم مرتبط (Integrate) را دربر گرفت.

سیستم حمل ونقل هوشمند
این عبارت به تمامی تلاش ها و راهکارهایی اتلاق می شود که فناوری اطلاعات و ارتباطات(ICT) را به زیرساخت های حمل ونقل و وسایل نقلیه، به منظور مدیریت و ارتباط میان فاکتورهای مسافرتی از جمله خودروها و مسیرها و بهبود ایمنی و کاهش بار ترافیک، زمان ترابری و بهینه کردن مصرف سوخت مرتبط می کند. در واقع این سیستم برای شبیه سازی، کنترل بلادرنگ و شبکه های ارتباطی مورد استفاده قرار می گیرد. سیستم حمل ونقل هوشمند از دیدگاه فناوری به دو طبقه زیرساخت های هوشمند و خودروهای هوشمند تقسیم می شود.زیرساخت های هوشمند نظیر نصب سیستم های کنترل هوشمند در تقاطع ها یا نصب تابلوهای متغیر ترافیکی شامل پروژه هایی است که در معابر درون شهری و برون شهری توسط شهرداری ها در شهرها و یا توسط وزارت راه در جاده ها و آزاد راه های برون شهری اجرا می شود. خودروهای هوشمند نیز شامل فناوری های جدید داخل خودروها، نظیر سیستم های هشدار دهنده تصادف، سیستم های افزایش دید در شب و سیستم های هدایت مسیر است که اجرای آن بیشتر برعهده کارخانجات خودروسازی است. ایالات متحده آمریکا و کانادا در زمینه سیستم حمل ونقل هوشمند پیشگام کشورهای جهان به شمار می رود.

فناوری های حمل ونقل هوشمند
فناوری های حمل ونقل هوشمند بسیار متنوع است و از سیستم های مدیریتی ابتدایی نظیر ناوبری خودرو، سیستم های کنترل سیگنال ترافیک، علائم رانندگی متغیر، تشخیص خودکار شماره پلاک خودرو یا دوربین تشخیص سرعت گرفته تا کاربردهای نظارتی همچون سیستم های امنیتی CCTV و پیشرفته تر را شامل می شود که اطلاعات زنده را از منابعی چون سیستم های اطلاعاتی راهنمای پارک خودرو، اطلاعات وضعیت آب و هوا و برف روبی جمع آوری می کند. علاوه بر این روش های فنی پیش بینی کننده ای طراحی شده تا امکان مدل سازی پیشرفته و مقایسه اطلاعات زنده با اطلاعات خط مبنای گذشته را فراهم آورد.
در زیر به معرفی فناوری های حمل ونقل هوشمند می پردازیم.

ارتباطات بی سیم
فرم های مختلف فناوری ارتباطات بی سیم یکی از مهم ترین سیستم های حمل ونقل هوشمند به شمار می رود.
ارتباط رادیویی مودم (دستگاه مدولاسیون و بازخوانى اطلاعات کامپیوترى یا مخابره آنها به جاهاى دیگر) روی فرکانس های UHF و VHF برای ارتباط دور برد و نزدیک با سیستم های حمل ونقل هوشمند در سطح وسیعی از کشورهای جهان مورد استفاده قرار می گیرد. از لحاظ علمی، گستره پروتکل ارتباطات کوتاه برد (کم تر از 450 متر) در شبکه های تک کاره متحرک یا شبکه سازی انبوه مورد استفاده قرار می گیرد و ارتباطات دور برد آن در شبکه های زیرساختی نظیر WiMAX، سیستم جهانی برای ارتباطات متحرک(GSM) یا نسل سوم کاربرد دارد.

فناوری های رایانشی
با پیشرفت های اخیر وسایل نقلیه الکترونیکی، پردازنده های کامپیوتری قابل حمل کم تری در خودروها به کار می رود. به طور نمونه در اوایل دهه 2000، بین 20 تا 100 میکروکنترلر شبکه شده و مدول های کنترلر منطقی قابل برنامه ریزی با سیستم عامل های غیر آنی در یک خودرو به کار می رفت. اما در خودروهای امروزی تعداد آنها به چندین ریزپردازنده، به همراه مدیریت حافظه سخت افزاری و سیستم عامل های بلادرنگ محدود شده است. این پلات فورم های سیستم جاسازی شده، اجرای کاربردهای نرم افزاری همانند کنترل فرایند، هوش مصنوعی و رایانش حاضر را ممکن می سازد. می توان گفت که مهم ترین کاربرد این فناوری در سیستم حمل ونقل هوشمند، هوش مصنوعی است.

اطلاعات خودروی در حال حرکت
در دنیای امروزی حداقل یک یا دو نفر از سرنشینان خودرو تلفن همراه دارند. این تلفن های همراه در هر لحظه اطلاعات موقعیت کاربر را به شبکه مربوطه مخابره می کند. این اتفاق حتی زمانی هم که اتصال صوتی برقرار نمی شود، انجام می گیرد. این امر می تواند تاثیر بسزایی را در کاهش بار ترافیک ایفا کند. به این ترتیب که حرکت خودروها، سیگنال هایی را از تلفن همراه سرنشینان آن ارسال می کند. با جمع آوری این اطلاعات و تحلیل اطلاعات شبکه ای می توان اطلاعات بار ترافیکی را ارزیابی کرد. در کلان شهرها که فاصله میان آنتن ها کوتاه تر است، این اطلاعات از دقت بالاتری برخوردار بوده و سیستم دقیق تر کار می کند. این سیستم به غیر از شبکه تلفن همراه به هیچ زیرساخت دیگری نیاز ندارد و این امر یکی از مزیت های آن محسوب می شود.
در برخی کلان شهرها سیگنال های RFID ناشی از ترنسپاندرهای ETC(دستگاه گیرنده ای که به محض دریافت مخابره ای به طور خودکار آن را جواب می دهد) مورد استفاده قرار می گیرد. فناوری داده های خودروهای در حال حرکت نسبت به روش های موجود ارزیابی ترافیک مزیت های بسیاری دارد که در ادامه به آنها اشاره می کنیم:
مقرون به صرفه تر بودن نسبت به نصب حسگرها و دوربین ها،پوشش دهی تمام مکان ها و خیابان ها،راه اندازی سریع تر و نیاز به پشتیبانی زیاد وقابلیت کار در تمام شرایط آب و هوایی حتی در وضعیت بارندگی سنگین.

فناوری ها با قابلیت حس تشخیص
پیشرفت های فنی در حوزه فناوری اطلاعات و ارتباطات و ترکیب آن با ریزپردازنده های مدرن، RFID و فناوری های با قابلیت حس تشخیص برج دیدبانی هوشمند، دانش فنی را برای ایجاد تسهیلات لازم در زمینه ایمنی بیش تر سرنشینان خودرو در سیستم حمل ونقل هوشمند جهانی در اختیار قرار داده است. سیستم های حسگر ITS، زیرساخت مبتنی بر سیستم های شبکه شده نظیر فناوری های وسایل نقلیه هوشمند به شمار می روند. علاوه بر این حسگرهای زیرساختی داریم که ابزارهای غیر قابل تخریبی هستند و در جاده ها یا اطراف آنها(ساختمان ها و علائم مختلفی که نزدیک خیابان وجود دارند) نصب می شوند. سیستم های تشخیصی وسیله نقلیه در واقع ترکیب زیرساخت های برج دیدبانی با حسگر خودروها به منظور شناسایی ارتباطات و استفاده از مزایای فناوری تشخیص خودکار پلاک خودرو CCTV است. از این سیستم های تشخیصی برای تقویت نظارت بر ترافیک خودروها به ویژه در مناطقی که ترافیک های سنگین دارند، استفاده می شود.

ردیابی لوپ القایی
حلقه های قیاسی که در کف جاده ها جاسازی می شوند، با ارزیابی میدان مغناطیسی خودروهایی که از روی آن عبور می کنند، تعداد آنها را تخمین می زند. ساده ترین شکل این سیستم ها به راحتی می توانند تعداد خودروهایی را که از یک منطقه خاص عبور می کنند، در واحد زمان(که در ایالات متحده 60 ثانیه است) محاسبه کنند. ولی مدل پیچیده تر آن می تواند حتی سرعت، طول وعرض وسیله نقلیه و فواصل میان خودروها را محاسبه کند. این سیستم ها می توانند هم در مسیر یک طرفه و هم در مسیر دوطرفه نصب شوند و به راحتی شناسه های مذکور را هم برای خودروهایی که با سرعت کم حرکت می کنند و هم خودروهای پرسرعت محاسبه می کند.

ردیابی ویدیویی خودروها
ردیابی و تشخیص میزان بار ترافیکی و تصادفات با استفاده از دوربین های ویدیویی یکی دیگر از موارد سیستم حمل ونقل هوشمند محسوب می شود. از آنجا که سیستم های ردیابی ویدیویی نظیر آنچه که در تشخیص پلاک خودروها به کار می رود، به طور مستقیم در سطح یا کف جاده نصب نمی شوند، جزو روش های غیر محسوس ردیابی ترافیک هستند. تصاویر این دوربین ها چه سیاه و سفید و چه رنگی توسط پردازشگرها دریافت شده و تحلیل می شوند. این دوربین ها معمولا روی پل ها یا زیرساخت هایی که بالا یا کنار بزرگراه ها وجود دارند، نصب می شوند.
یک پردازنده ردیابی ویدیویی بسته به برند و مدلش به تنهایی می تواند میزان باز ترافیک را هم زمان از 8دوربین مجزا تخمین بزند. خروجی یک سیستم ردیابی ویدیویی شامل سرعت وسایل نقلیه، تعداد آنها و میزان اشغال خیابان توسط خودروها است که همه این موارد به صورت مجزا برای هر خیابان یا مسیر داده می شود.
البته برخی از این سیستم ها قابلیت ارائه اطلاعاتی چون مسیرهای کم تردد، جریان عبور خودروها و دادن هشدار در مواردی را دارد که خودرو مسیر اشتباهی را طی می کند.

شبکه ترافیکی همراه
شبکه ترافیکی همراه (MANET) که گاهی اتصال شبکه همراه نیز نامیده می شود، یکی از شبکه های پیکربندی خودکار ابزارهای همراهی است که از طریق بی سیم به شبکه ارتباطی متصل می شوند. هر ابزاری در یک شبکه MANET می تواند آزادانه از هر مسیری تردد کند. ابتدایی ترین چالش در ساخت شبکه MANET، مجهز کردن همه ابزارها برای برقراری مداوم ارتباط است تا اطلاعات مورد نیاز ترافیک را مخابره کنند. این شبکه ها می توانند به اینترنت نیز متصل شوند.
MANET جزو شبکه های تک کاربره بی سیم به شمار می رود و با توجه به رشد استفاده از لپ تاپ و شبکه های بی سیم Wi-Fi(اتصال بی سیم و تبادل اطلاعات از طریق فناوری بی سیم) این روش از اواسط دهه 1990 به یک مقوله تحقیقاتی محبوب و کاربردی تبدیل شده است.

سیستم ارزیابی و پیش بینی ترافیک
مقوله سیستم ارزیابی و پیش بینی ترافیک (TrEPS)، به بهبود شرایط ترافیک، کاهش تاخیر سفر از طریق ایجاد تسهیلات لازم برای بهره برداری بهتر و در دسترس قرار دادن ظرفیت های بیش تر اتلاق می شود. این سیستم با بهره برداری از تلفیق کامپیوتر، ابزار ارتباطی و فناوری های نظارتی، قدرت نظارت، مدیریت و کنترل سیستم حمل ونقل را بالا می برد. این سیستم همچنین سطوح مختلفی از اطلاعات ترافیکی و توصیه های سفر را در اختیار کاربران سیستم قرار می دهد تا مسافر به موقع به اطلاعات لازم دسترسی یافته یا برای سفر خود بهترین تصمیم را از نظر مسیرهای انتخابی اتخاذ کند. از آنجا که میزان موفقیت توسعه فناوری های سیستم حمل ونقل هوشمند به قابلیت دسترسی به موقع و پیش بینی دقیق شرایط ترافیک بستگی دارد، مقوله سیستم پیش بینی ترافیک اهمیت بسیاری می یابد. در حقیقت این روش در به کارگیری مدهای ترافیکی پیشرفته و تحلیل داده ها، به ویژه داده های بلادرنگ از منابع مختلف برای تخمین و پیش بینی شرایط ترافیک تعریف می شود. در نتیجه استراتژی های سیستم پیشرفته مدیریتی ترافیک (ATMS) و سیستم پیشرفته اطلاعات مسافر(ATIS) می توانند برای تکمیل اطلاعات این بخش به کار روند.
کشورهایی که از این سیستم استفاده کرده و حتی مراکز تحقیق و توسعه برای آن راه اندازی کرده اند، آمریکا، چین و سنگاپور هستند. در آمریکا، در سال 1994 برای ایجاد سیستم پیش بینی ترافیک، کمک به آدرس دهی به مسافران در زمان ترافیک های سنگین و مدیریت مسایل پیرامون پویا سازی سیستم های حمل ونقل هوشمند مرکز تحقیق و توسعه FHWA راه اندازی شد. یک سال بعد موسسه فناوری ماساچوست(MIT) و دانشگاه تگزاس برای همکاری با این مرکز همکاری خود را آغاز کردند و هر کدام آنها به طراحی نمونه ای از TrEPS پرداختند. در نهایت سه سال بعد، دو نمونه سیستم TrEPS طراحی و معرفی شد. این دو طرح با نام های DynaMIT-R و DYNASMART-X مبتنی بر سیستم شبیه سازی بودند.
در چین نیز دانشگاه ژیان جیانئوتونگ (Xi’an Jiaotong) در سال 2000 تحقیقات خود را برای طراحی سیستم مشابه سیستم TrEPS آمریکا آغاز کرد و بعد از 6 سال نمونه این سیستم با نام DynaCHINA(اطلاعات هیبریدی سازگار پویا مبتنی بر تخصیص شبکه) را معرفی کرد.
سنگاپور اولین کشوری بود که در سال 1975 کاربرد عملی قیمت گذاری تراکم یا طرح مجوز منطقه ای را مطرح کرد. به لطف پیشرفت فناورانه جمع آوری الکترونیکی عوارض جاده ای و نظارت ویدیویی، این کشور توانست سیستم خود را در سال 1998 به روز کند. مقامات این کشور برای بهبود مکانیسم قیمت گذاری و قیمت گذاری بلادرنگ با شرکت IBM قرارداد همکاری بسته و در آوریل سال 2007 ابزار تخمین و پیش بینی ترافیک را که از داده های ترافیکی بلادرنگ از چندین منبع برای تخمین شرایط ترافیک استفاده می کند، نصب کرد. قابل توجه این که این سیستم با دقت 85درصد ترافیک را پیش بینی می کند و در زمان هایی که داده های بیش تری داشته باشد، نظیر ساعاتی که پیک ترافیکی است، دقت آن به 90 درصد نیز می رسد.

خودرو هوشمند... خیابان هوشمند

مطالب مشابه :

رایانش ابری

خودرو هوشمند... خیابان هوشمند

بررسی فناوری محاسبات ابری در لایه زیرساخت

دانلود مقاله تحمل پذیری خطا در رایانش ابری

کاربرد روش یکپارچه سازی داده مبتنی بر سی.دی.سی در شهر الکترونیک

برنامه ریزی در حوزه کلان داده

حافظه فلش ساخته شده از قطعاتی با ضخامت یک اتم

نمايشگاه فن­آوري اطلاعات خليج ـ 2013

انتشار کتاب"درآمدی برفرهنگ ومدیریت جهادی"

نمايشگاه فنآوري اطلاعات خليج ـ 2013