Procedural Reconstruction of Traffic Infrastructure Using Reinforcement Learning
近年來，隨著都市規劃的需求增加，工程師和規劃人員已經開始採納先進的電腦圖學技術。其中，數位雙生 (Digital Twin) 是一種在資訊化平台上建構現實世界中物體的「虛擬分身」的技術，透過三維重建技術生成對應的城市模型，並且，結合物聯網、人工智慧能即時反映現實物體的狀態和變化。特別是在道路規劃中，可以透過模擬與觀測交通號誌的狀態，藉此進行車流量的管理以及動線的規劃，進一步將智能交通納入道路規劃中。為此，需要透過模型的重建，以視覺化的方式模擬與呈現各種不同的道路情境，提供設計師與工程人員一個參考。然而，這樣的重建技術也面臨挑戰。由於重建過程完全依賴於圖片資料，雖然整體使用到的照片數量足以重建場景，但對於單一個物件而言，通常只會出現在少數幾個照片當中，造成無法在圖片之間取得足夠的特徵進行匹配，進一步導致重建後的物件出現模型不完整的情況。特定的道路物件，如紅綠燈桿和路燈桿，由於其桿狀形態的特性，在重建過程中便可能因為特徵的不足出現明顯的破碎化問題，如此便無法提供工程人員一個精準的是視覺參考。此外，交通設施上附屬的標誌或條紋等元件資訊在智慧交通的技術中也同樣重要，然而，單純的三維重建無法獲得這些資訊，通常需要導入額外的圖像識別技術來獲取。但是，在智慧交通中，需要明確知道每個元件所對應的交通設施，才能避免模擬過程中出現由於號誌與標誌之間錯誤的對應關係造成誤判的情況。考慮到這些挑戰，本論文的目標是能夠同時取得交通設施物件的外型、桿子的參數以及元件 (Component) 的資訊，以參數的形式來定義道路上的交通設施，並且，透過參數來生成與實際桿子相近的模型。因此，在系統上，首先，本論文嘗試從照片中識別出特定的物件，例如交通標誌和紅綠燈號誌。這些相對容易辨識的物體成為了進一步推估整個桿子形狀的基礎。隨後，在系統上，本論文選擇導入強化學習 (Reinforcement Learning，RL) 做為一個推理的框架，根據設計的獎勵函數 (Reward)機制，能夠學習一套策略，依據照片中的特徵訊息，以逐步的方式推估桿子與元件的參數，並且，透過參數來生成該交通設施以及對應的附屬元件。最後，本論文以現實中的交通設施以及虛擬產生的交通設施作為重建目標，前者為真實存在的交通設施，而後者為現實中不存在，但是，外型合理且較為複雜的交通設施，透過人工方式，標記出桿子與元件的位置、方位、大小、類型等資訊，並且和本系統所建構出的桿子與元件進行比較，藉此證明本系統能夠在少量的照片視角下，程序化生成合理的交通設施桿子與參數準確的元件。