利用智能手机传感器估算汽车速度的学习模型

CarSpeedNet 是一种深度学习模型，旨在仅基于智能手机收集的三轴加速度数据来估计汽车速度。我们的研究收集了 13 小时的数据，这些数据来自各种道路，CarSpeedNet 能够有效建立智能手机加速度与汽车速度之间的关系模型，在误差小于 0.72 米/秒的情况下，达到了高精度。重要的是，该模型不依赖于 GPS，使其成为在长时间驾驶测试中实时速度估算的可靠方案。

准确的汽车速度估算对于现代交通管理和导航系统至关重要。传统方法依赖于汽车传感器如里程表，无法实时共享数据，而这种能力变得越来越关键。向数据驱动解决方案的转变正在改变这一领域的面貌，智能手机内置的传感器，如加速度计，提供了高频数据，捕捉汽车运动的细微变化，使其非常适合用于估算车速。

挑战在于将原始加速度计数据转换为可靠的车速估计。深度学习（DL）因其处理复杂数据模式的能力而著称，提供了一种解决方案，通过建模加速度与速度之间的关系。这项研究引入了CarSpeedNet，这是一种深度学习模型，通过智能手机加速度计数据来估计车速，仅需此数据，避免了使用额外传感器如陀螺仪的需要。

CarSpeedNet架构充分利用了智能手机传感器的普遍性，确保了在各种设备上的广泛应用。该模型的两阶段过程包括全面的数据收集过程和监督学习法来训练深度学习模型，从而达到高精度。

我们的研究显示了深度学习模型（例如CarSpeedNet这类的）如何能够有效地处理复杂的加速度计信号，从而实现实时的速度估计，进而推动了更便捷、更精确的交通管理方案的发展。

为了开发CarSpeedNet，我们的团队从一辆三星Galaxy品牌的智能手机上收集了13.2小时的加速度计数据，这些数据是在以色列不同道路上驾驶时以500 Hz的频率记录下来。数据被分割成训练、验证和测试子集，并经过精心处理，包括将加速度计数据下采样到20 Hz，而基于GPS的地面真实速度则保持在1 Hz不变。这确保了模型训练时输入数据既准确又干净。

我们学习方法的核心在于探索五种深度学习（DL）架构：DNN：、LSTM：、WaveNet：、Bi-LSTM和ResNet启发的模型，通过仅用智能手机加速度计的数据训练每个模型，最终CarSpeedNet脱颖而出，表现最为出色。

CarSpeedNet 处理每 4 秒一次的三轴加速度计数据，并利用双向 LSTM 层和 Conv1D 层来捕捉时间序列和空间特征。最终架构包含 178,169 个可训练参数，并使用 Adam 优化器和自适应的学习率进行训练，以确保效率和准确性。这使 CarSpeedNet 能够高精度地估算汽车加速度与速度之间的复杂关系。

我们使用两个关键误差指标评估了CarSpeedNet的性能：均方根误差（RMSE）和平均绝对误差（MAE）。这些指标突显了模型的准确性，其中RMSE更关注大的误差，而MAE则体现了平均的误差大小。CarSpeedNet的RMSE为2.9 m/s，MAE为1.3 m/s，相比之下，LSTM和WaveNet的误差和延迟更大，尤其是在1秒窗口/20个样本的测试中。

此外，我们还探讨了输入大小对性能的影响。将输入窗口大小增加到4秒（窗口大小为80个样本），提高了准确度，将RMSE降至1.8米/秒，MAE降至0.72米/秒，但稍微增加了延迟时间。

特别值得注意的是，CarSpeedNet 在速度较低时表现出高精度，并且能够准确检测静止，这对于各种驾驶情况中的实时速度估算至关重要。

这种准确性与效率的结合，尤其是在检测低速和静止状态方面，使得CarSpeedNet模型成为实时估计汽车速度的一个稳健模型。下图显示了随时间的预测车速和实际车速（时间窗口为4秒的）。

CarSpeedNet 是一个深度学习模型，仅使用智能手机加速度计数据即可精确估算汽车速度，误差低于 0.72 米/秒。这消除了对传统车载传感器的需求，使其更易于使用。尽管较大的数据窗口能提高精度，但也会带来轻微的时间延迟。CarSpeedNet 的实时精准性使其适用于交通管理、安全监测和自动驾驶系统等场景，利用日常智能手机就能实现智能交通解决方案。这种方法的可扩展性为通过现有的移动技术来提高道路安全和优化交通流量开辟了新的机会。

点击这里查看 metaor.ai 网站上发布的第一个帖子：链接，