基于图像的电梯群控系统优化调度的研究

张洪成 张永林 潘 薇 刘 想

(江苏科技大学电子信息学院 江苏 镇江 212000)

0 引 言

电梯是一种安装在垂直建筑内,方便人们出行需要并提供运送服务的交通工具[1]。随着高层建筑的层数与乘客流量的增加,设计方通常会采用配有群控调度算法的电梯集群以满足乘客乘坐需求,该调度系统亦被称为电梯群控系统[2](Elevator Group Control System,EGCS)。电梯群控系统以轿厢内呼叫信号(即轿厢内去往目标层的请求信号)和门厅外呼叫信号(即轿厢外每层去向信号)为输入信号,电梯在接受算法的调度任务后,对乘客进行运输服务。但传统电梯群控算法未能考虑到乘客群体的差异性,往往导致需要更多乘坐空间的特殊用户(例如坐轮椅的人和带婴儿车的家庭)因系统分配的轿厢剩余面积过小而无法进入,从而发生重复呼梯服务的现象[3]。该现象会导致全体候梯乘梯时间增加、乘梯舒适度下降,进一步导致整个电梯集群的运送效率下降、能耗增加。因此如何识别出特殊乘客,并将乘客群体的差异性作为电梯群控系统调度因素是一个亟须解决的问题。

有鉴于此,本文展开基于图像的电梯群控系统优化调度的研究,通过利用摄像头与图像识别技术[4]估计电梯各层门厅的特殊乘客数量,将乘客群体差异性作为群控调度算法的一个影响因素,以此减少特殊乘客的平均候梯时间,兼顾公平性。近年来,人工智能已经被各个领域广泛使用,其中深度学习是人工智能领域的研究热点之一。为判断出乘客群体差异性,本文将深度学习引入到电梯群控系统的研究中,运用SSD[5]模型进行候梯厅中等待乘客的人数[6]及其行李的数量和轿厢内人数检测[7],根据检测的情况进行电梯调度任务分配,避免重复门厅外呼叫的重复与“拥挤现象”,提高乘客乘坐舒适度与电梯群控的效率,减少电梯群组的运行能耗。

1 电梯系统

目前电梯根据轿厢数量和结构可将其划分为多井道单轿厢电梯、单井道双层轿厢电梯、单井道多轿厢电梯和循环式多轿厢电梯[8]。生活中最为常见的垂直运行电梯集群为多井道单轿厢电梯,该类型电梯在一条垂直井道内仅安装一部轿厢输送乘客,目前电梯群控系统也多是以井道单轿厢电梯为基础进行任务调度,多井道单轿厢电梯集群系统示意图如图1所示。

图1 多井道单轿厢电梯集群系统示意图

当乘客在门厅需要进行乘梯服务时,只需根据目标层相对于所在层的方向按下上行或下行按钮。某时刻轿厢的状态定义如下：

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为第i台电梯轿厢当前位置;pi为第i台电梯轿厢内拥挤度;di为第i台电梯轿厢方向,分为上行、下行以及停止三种状态;Ci为电梯群控系统分配给ci的一组外呼信号组合;N为电梯ci外呼信号集合总数;sik(i≤k≤N)为门厅内呼梯乘客所在层;gik(1≤k≤N)为轿厢内乘客的目标层;dk、ek(1≤k≤N)分别为电梯第k层门厅普通乘客与特殊乘客的数量;cdik为所在层到目标层的运行方向,当sikgik,电梯为下行方向。

2 SSD目标检测模型

SSD(Single Shot MultiBox Detector)目标检测模型由刘伟于2016年提出,可以对图像中多个目标进行有效地识别与分类,相比于之前的Faster R-CNN检测算法、YOLO检测算法,具有检测精度高且速度快的优点,是目前主流的检测框架之一。SSD的网络模型[10]以具有前馈的卷积神经网络VGG16为基础,将原有的FC6全连接层改为3×3的卷积层Conv6,原有的FC7全连接层改为1×1的卷积层Conv7,池化层pool5中2×2的stride=2改为3×3的stride=1,增加Atrous算法获取更密集的映射,去除VGG16网络原有的Dropout层和FC8层,并在VGG16网络之后连接多个卷积层,SSD网络架构如图2所示。

图2 SSD网络框架图

2.1 SSD模型训练

使用SSD目标检测模型对电梯各层门厅进行基于图像的多目标检测,通过输入各层门厅的图像进入SSD模型,生成许多且尺度不同的特征图[9]。之后在特征图中产生特定长宽比的默认框并用于提取图像特征信息,然后手动标注真实框并引导SSD网络进行监督学习,最后利用NMS算法得到电梯各层门厅的预测结果,并根据电梯各层门厅目标图像产生的标签信息计算信息损失并进行参数调整,直至满足迭代次数训练。通过对SSD模型训练后,该目标检测算法能够更加精确地进行图像识别,在整个模型训练的过程中,最重要的步骤是进行默认框的匹配和损失函数的计算。

2.2 默认框匹配

默认框是指当图像输入到SSD网络时,SSD网络上每个卷积层特征图以每个特征点为中心生成的同心矩形框。默认框线性递增规则是随着特征图大小降低,默认框尺度线性增加。通常情况下,一个特征图会有多个默认框,且在尺度(Scale)和长宽比(Aspect Ratio)两个方面存在差异。假设SSD网络中存在m幅特征图,每幅特征图生成kf个特征框[10],按照默认框线性递增规则,默认框的尺度如下：

(3)

式中：Sk表示默认框相对于输入图像的尺度;Smin=0.2代表最底层尺度;Smax=0.9代表最高层尺度;m为特征图个数;kf为默认框个数。为避免出现默认框的数量过少以及类型单一的情况,引入长宽比ar,其5种类型如下：

(4)

(5)

(6)

2.3 损失函数计算

当确定训练样本之后,为保证默认框与人工标注的真实框的一致性,需要计算出样本训练损失值。SSD目标检测模型与其他检测目标模型在损失函数方面较为相同,分为相应位置回归的损失(Location Loss)与置信度损失(Confidence Loss)两部分[11],损失函数表达式如下所示：

(7)

式中：Lloc为相应位置回归损失;Lconf为置信度损失;Nf为默认框与真实框匹配的个数;α=1为相应位置回归损失与置信度损失之间的比例参数;x为默认框与真实框匹配结果;l为默认框;g为真实框;c为置信度。

相应位置回归损失函数采用smoothL1函数,相应位置回归损失函数如式(8)所示,smoothL1函数如式(9)所示。

(8)

(9)

(10)

3 方案设计

3.1 乘客群体分类规则

为了区分出电梯乘客群体,本文以门厅候梯乘客携带行李的数量为判断条件,将门厅候梯乘客群体分为普通候梯乘客与特殊候梯乘客。设普通候梯乘客为不携带行李或手持、背带小件行李的候梯乘客,如背书包的学生、手持皮包的女士等,特殊候梯乘客为携带中大件行李、搬运物品的候梯乘客,如轮椅用户、推婴儿车的家庭人员等。

摄像头的采集速率可设为一幅每秒,通过摄像头采集的图像,利用SSD模型检测乘客的数量,当乘客数量ak≥1时,估算出行李的数量bk,并根据乘客与行李的数量进行乘客群体的分类,分类规则如式(11)所示。

(11)

式中：ak、bk、dk、ek分别表示第k层的候梯乘客数量、行李数量、预测的普通乘客数量以及预测的特殊乘客数量。某一时刻电梯门厅候梯乘客群体差异性信息Pm定义如下：

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

(12)

3.2 轿厢调度方案

通过运用SSD模型检测出电梯门体候梯乘客与携带行李的数量,估算得到乘客群体差异性信息Pm并将该信息融入电梯群控系统中,在一定程度上降低了特殊乘客电梯重复呼叫情况,减少了轿厢内拥挤问题,提高了电梯集群的调度效率。添加乘客差异性因素后轿厢调度优化方案如图3所示。

该电梯群控调度系统首先响应外呼信号,然后通过SSD模型来确定电梯门厅内普通乘客与特殊乘客的人数,若候梯乘客人数为0,则等待外呼信号输入;若候梯乘客人数不为0,则计算各电梯轿厢内的拥挤度,之后将特殊乘客人数ek与轿厢内拥挤度这两个影响因素融合到原有的调度算法中,如蚁群算法、模糊算法等,通过算法调度,进行派梯服务。考虑到特殊乘客的特殊性,当轿厢的拥挤度小于60%时会响应乘客需求且优先响应特殊乘客需求;当轿厢内拥堵大于60%且小于90%时,则仅会响应普通乘客需求;当轿厢内拥挤程度大于90%时,拒绝所有乘客需求。

4 仿真实验与分析

为验证乘客群体差异性因素对电梯群控调度系统具有改进,仿真实验主要包括两个方面：一是验证SSD目标检测算法对乘客群体差异性判断的可行性,另一方面检验乘客群体差异性因素对各类经典电梯群控调度算法的影响。实验以六井道单轿厢十层电梯集群系统为对象进行仿真,电梯对象参数设置如表1所示。

表1 电梯集群对象参数设置

4.1 基于SSD的乘客群体分类法

通过SSD目标检测算法对一组电梯门厅候梯乘客图片进行图像识别,从结果可以看出准确度较高,并且该SSD目标检测模型具有快速性的优点,所以对电梯门厅的实时检测具有较好的适用性。

但从检测图像中可以看到当两人距离过于紧密时,检测结果会存在一定误差,可能会发生不能正确标定每个人的情况。通过SSD目标检测模型对电梯门厅的部分检测结果如图4、图5所示,SSD模型图像检测时间、可信度与乘客群体组别如表2所示。

图4 电梯门厅检测结果1

图5 电梯门厅检测结果2

图4中乘客与物品较少,经过SSD模型图像识别后成功识别出乘客与携带的物品,可信度皆大于80%,并将该乘客与携带的行李列为特殊乘客组1。

图5中SSD模型检测出的乘客与物品成功率与可信度较高,由于乘客与物品较多,会将门厅的木板误认为是乘客行李,导致分类中间乘客误认为是特殊乘客,导致估算得到的乘客群体差异性准确度下降。综上分析得到,SSD模型可以准确且快速地检测到乘客与物品类别,检测时间为毫秒级,准确度也很高,只要摄像头放置的位置合理,排除电梯门厅外的干扰因素,乘客群体差异性准确度便会得到保证。

4.2 乘客差异性因素对群控调度算法的影响

为验证乘客差异性因素对群控调度算法的重要性,本文以六井道单轿厢十层电梯集群系统为对象进行仿真。在普通交通模式、上行高峰模式以及下行高峰模式三组模式下,以蚁群算法为群控调度算法[12],对乘客差异性因素进行对比实验。将基于蚁群算法的电梯调度实验结果作为对照组,将具有乘客差异性因素的基于蚁群算法电梯调度实验结果作为实验组。实验中蚁群算法参数值是α=1,β=5,ρ=0.99,迭代次数为200次,最大等待时间设定值为60 s[13]。普通交通模式一小时内乘客人数总量为50人,其中特殊乘客人数为10人;上行与下行高峰一小时内乘客人数为100人,特殊乘客人数为20人。实验结果如表3所示。

表3 乘客差异性因素对比试验表

对比实验结果表明乘客差异性因素在普通交通模式下,对乘客群体整体影响较小,电梯能耗也较为相似;在交通高峰期会略微提高普通乘客候梯时间,大幅降低特殊乘客候梯时间。由于电梯群控系统能够为特殊乘客优先派梯,减少了特殊乘客因轿厢拥挤而无法乘梯的情况,且减少了重复呼梯的情况以及电梯集群能耗。

5 结 语

图像识别技术与电梯调度系统的相互结合是今后的发展方向,无论是理论方面的研究还是在实际中的应用都需要考虑更多。针对乘客差异性欠缺的问题,本文提出基于SSD模型的乘客群体分类法,并采用仿真实验进行测试。实验结果表明该算法可以有效地估算出特殊乘客与普通乘客的数量,为电梯群控调度算法提供乘客群体差异性因素。通过各层电梯门厅采集到的检测结果,与传统电梯群控调度算法相配合,大大减少了特殊乘客在客流高峰期的等待时间,同时减少了重复呼梯的情况,降低了电梯集群的能耗。