測域センサを利用した高精度な路線バス乗降計測システム

地域交通の要である路線バスにおいて，乗降者数や乗降に要する時間などの乗降情報を把握することは，地域公共交通の利用状況を正しく理解し，それらに基づく改善に貢献するものである．しかし，赤外線ビームなどを用いた既存の乗客カウンタでは混雑時などにおける正確な人数計測が難しいという課題がある．また，乗降者数や乗客トリップ（乗降停留所）の把握には交通系ICカードなどの情報が有効であるものの，乗降時間の計測はできず，また定期券や特別パスなどの乗客には対応できない．本研究では，測域センサを用いて路線バスの乗降者数や乗降に要する時間を正確に計測するシステムを提案する．測域センサは広範囲にわたり物体までの距離データ（点群）を出力するセンサであり，提案システムはそれらの点群からリアルタイムに人体を識別しトラッキングを行う．一般に測域センサは大量の点群を生成するため，高精度な計算機による処理が必要となるが，提案手法では近接する点群データを集約して人体位置を大まかに予測することで計算量削減を図っており，安価なシングルボードコンピュータでもリアルタイム動作する軽量なアルゴリズムを実現し，小型省電力化に寄与している．大阪大学のキャンパス間を運行する路線バスに本システムを設置する実証実験を行い，3日間にわたる計測を行った結果，乗車人数推定では誤差率5.3%（平均絶対誤差0.94人），降車人数推定では誤差率7.5%（平均絶対誤差1.9人）と十分高精度な推定精度を達成できた．また，1フレームあたりの平均処理時間はRaspberry Pi 3 Model Bで3.4 msであり，安価なコンピュータでもリアルタイム計測が可能であることが示された．

Counting the passengers and recording their getting-on/off time is essential for regional bus operators to discontinue lines without sufficient utilization and design/provide more convenient and effective lines for many citizens. However, it is usually difficult for infrared beam-based low-cost people counters to accurately count them in crowded situations. Although the IC card utilization logs are often useful to obtain such information, there still remain significant issues that those passengers using the commuter passes cannot be counted and the bus operation logs cannot be obtained. In this paper, we propose a system to obtain the number of passengers as well as the arrival and departure of buses at/from each bus stop using LiDAR sensors, which can output distance data (2D point cloud) from themselves to the surrounding objects. The proposed system identifies each human body in the scan range from a point cloud at each moment to track the target. We design a lightweight algorithm, which deals with a large number of points generated by the LiDAR sensor in real-time, running on an inexpensive single board computer. Our method reduces the computational overhead incurred by processing such a large amount points by roughly predicting the human body position via aggregation of the neighboring point groups. We conducted experiments with a bus running between two campuses of our university and achieved 5.3% or lower error (the average absolute error was 0.94%) for coming passengers and 7.5% (the average was 1.9%) for leaving ones. The average processing time per frame was 3.4 ms in Raspberry Pi 3 Model B. This has shown the capability of our algorithm for real-time measurement.