中移上研院交通大模型赋能港口集卡车辆监管|港口_新浪财经

来源：环球网

港口外来有人集卡的车辆状态信息对于港口作业安全管理以及对于港内无人集卡高效、安全的运行至关重要。而当前港口对于外来集卡的位置、速度等信息的获取始终缺乏有效手段。传统最常见的方式是通过外来集卡车辆自身GPS信息来掌握车辆在港状态，而港口内的港机设备、集装箱等钢结构物体对于信号的遮挡、干扰非常大，使得这些信息基本无法使用。针对行业的需求，中国移动上海产业研究院（以下简称“中移上研院”）将车路协同的概念引入至港口，借助AI感知检测技术能力，通过路侧相机来对港内外来集卡实现有效的位置、轨迹等识别检测，目前已协同中交建振华重工等行业合作伙伴在妈湾港、广州南沙港、阳逻港等地进行了技术落地验证。

AI大模型or小模型选择

在车辆的识别检测应用方面AI小模型技术表现尚可，但实地应用时发现，不同的港口作业环境差异大，同时港口内除了集卡车辆，还存在港机设备、工程车辆等类型车辆，交通元素类型多，传统的小模型泛化能力低，难以实现不同场景下的规模化落地，且不同项目需要重新收集数据集进行训练，成本高，交付周期长。而大模型在部署时对于算力要求高，同时大模型计算的时延相较小模型来说也因为参数的提升而变高，这对于需要在港口本地化部署且响应时间有要求的场景来说并非最佳选择。因此，权衡大小模型各自优劣后，中移上研院提出通过大模型知识蒸馏技术，同时对交通大模型和小模型进行训练，将大模型的复杂知识迁移到小模型上，使小模型的性能尽可能接近大模型，提高小模型的性能和泛化能力，实现模型在港口端侧的部署。

交通大模型增强感知效果

利用交通大模型与小模型结合能力来对港口内的交通目标进行检测识别已在妈湾港、广州南沙港、阳逻港等地完成了部署验证，支持对带箱/空挂无人集卡、带箱/空挂有人集卡、轮胎吊、堆高机等多类港口交通元素实现感知识别，其中在对有人集卡的识别准确率上已超98%，极大提升了模型感知效果。

图1 模型感知识别效果

交通大模型的应用除了提升感知识别能力上，目标跟踪定位的感知能力也得到了极大提升。重点表现在连续帧中正确匹配同一目标车辆的能力的提升，规避了误检和漏检的发生，以及轨迹一致性上的提升，大模型在长时间内保持目标车辆轨迹一致性的能力。目标的跟踪可以帮助用户更有效的实现港内交通监管以及决策规划。例如在与中交振华合作过程中，通过利用交通大模型能力向其无人集卡车辆提供全场有人集卡的位置轨迹信息，来帮助无人集卡车辆更好地实现安全避让、任务路径高效规划。