9.5.2008

1

ITS u gradskom prometu

prof. dr. sc. Hrvoje Gold

Zagreb, 09.05.2008.

Sveuĉilište u Zagrebu

Fakultet prometnih znanostiSpecijalistiĉki doktorski studij 2007/08

Organizacija predavanja

Naziv predmeta: 010 - ITS u gradskom prometu

Predavanja: 20+0 (5 bodova)

Datum i vrijeme predavanja:

– 09.05.2007, 17:00 - 20:00 sati (4 šk. sata)

– 10.05.2007, 08:30 - 12:00 sati (4 šk. sata)

Lokacija: Kabinet 2.7, Vukelićeva 4

Konzultacije:

prof. dr. sc. Hrvoje Gold – ponedjeljak 9:30-11.00 / srijeda 13:30-15:00

Vukelićeva 4, 2.7, 2380-225, hrvoje.gold@fpz.hr, www.fpz.hr/~goldh

2

9.5.2008

2

Opis kolegija

• Inteligentni transportni sustavi (ITS)

• Modeliranje inteligentnog ponašanja (neizrazita logika,

neuronske mreţe, evolucijski algoritmi)

• Sustavi zasnovani na znanju

• Geoinformacijski sustavi. Praćenje kretanja i navigacija

vozila na digitalnim zemljovidima

• Sustavi raspodijeljene inteligencije. Povezanost

sveprisutnog raĉunalstva, osjetilnih mreţa, raĉunalnih

grozdova i spletova sa prometnim sustavima i procesima

• Poopćeni model ITS-a u sustavu grada

• Primjeri primjene ITS-a u gradovima

3

Inteligenti transportni sustavi

4

9.5.2008

3

ITS

Transporti promet

Inteligentni transportni sustavi

TELEMATIKA U PROMETU

Telekomunikacije i informatika

5

Telekomunikacije

Prijenos informacija na daljinu elektroničkim sredstvima

Telefon

Telefax

6

9.5.2008

4

Informatika

- Unos- Obrada- Pohrana- Predaja

- Objava- Pristup- Razmjena

INFORMACIJA

7

Telematski sustav

TRANSPORT

ITS

WORLD WIDEWEB GIS +GPS

INTERNET/INTRANET

8

9.5.2008

5

Pojam prirodne i umjetne

inteligencije

9

Društvo znanja

• Snaga društva odgovara znanju kojim raspolaţe

• Potreba za struĉnim i specijalistiĉkim znanjima

• Pojavom raĉunala omogućen razvoj umjetnih

(struĉnih/ekspertnih) sustava koji prikupljaju znanje

i donose zakljuĉke i odluke sliĉno ljudima

– Umjetna/Strojna inteligencija (Artificial/Machine

Intelligence – AI/MI)

10

9.5.2008

6

Inteligencija

• Svojstvo uspješnog snalaţenja u novim situacijama

• Uĉenje na temelju iskustva

• Sposobnost razumijevanja problema i naĉina

rješavanja problema

• Svrsishodno i prilagodljivo ponašanje u zadanim

okolnostima

• Sposobnost uĉenja, razmišljanja, prilagoĊavanja,

odluĉivanja, prepoznavanja, zakljuĉivanja,

predviĊanja

11

Umjetna inteligencija

• Umjetni sustavi inteligentnog ponašanja• Sposobnost prikupljanja i uporabe znanja

• Sposobnost postavljanja problema

• Sposobnost uĉenja, zakljuĉivanja, rješavanja problema

• Sposobnost obrade i razmjene znanja

• Umjetni sustav je inteligentan ako u

rješavanju spoznajnih zadataka postiţe iste

rezulate kao i ĉovjek

12

9.5.2008

7

Podruĉja umjetne inteligencije

• Sustavi za potporu u odluĉivanju

• Ekspertni sustavi

• Inteligentno pretraţivanje podataka

• Formalizmi i metode prikaza znanja

• Rješavanje problema i metode pretraţivanja

• Uĉenje korištenjem primjera

• Razumijevanje i obrada prirodnih (i umjetnih) jezika

• Automatsko programiranje

• Raĉunalni vid, raspoznavanje uzoraka i analiza scene

• Pribliţno raĉunanje (umjetne neuronske mreţe, genetski algoritmi, neizrazita logika)

• Robotika

13

Razvoj podruĉja umjetne

inteligencije

14

9.5.2008

8

Poĉeci razvoja podruĉja umjetne

inteligencije (1943-56)

– Warren McCulloch, Walter Pitts, A logical Calculus of the

Ideas Immanent in Nervous Activity, 1943

– Alan Turing, "The Imitation Game―/‖Turing Test‖,

Computing Machinery and Intelligence, 1950

– Electronic Numerical Integrator and Calculator (ENIAC)

projekt (Mauchly, Eckert, von Neumann), 1946

– Claude Shannon, Programming a Computer for Playing

Chess,1950

– Ljetna radionica o strojnoj inteligenciji na Dartmouth

College-u, umjetne neuronske mreţe i teorija automata,

1956 – McCarthy – Artificial Intelligence - AI

Uspon podruĉja (1956-1960‘)

– General Problem Solver (GPS) opći program

za rješavanje problema (Newell, Simon), 1957

– Programski jezik za obradu lista LISP

(McCarthy), 1958

– F. Rosenblatt – Perceptron – model neuronske

mreţe sa sposobnošću uĉenja, 1958

– J. A. Robinson - algoritam za dokazivanje

teorema predikatne logike, 1965

9.5.2008

9

Uspon podruĉja (1956-1960‘)

– Lotfi Zadeh – neizrazita (fuzzy) logika, pribliţno

zakljuĉivanje, 1965

– Arthur Bryson, Yu Chi Ho, algoritam uĉenja

neuronske mreţe povratnim rasprostiranjem

pogreške, 1969

– Newell, Simon, Human Problem solving, 1972

– Marvin Minsky, A Framework for Representing

Knowledge, 1975

Stagnacija istraţivanja (1960‘-‘1970)

– Marvin Minsky, Seymour Papert, ‗Perceptron‘,

oganiĉenja neuronskih mreţa, 1969

– The Lighthill Report UK, pesimistiĉna prognoza

mogućnosti primjene umjetne inteligencije, 1971

9.5.2008

10

– Ekspertni sustav DENDRAL - podrška u analizi

kemijskih stuktura (Feigenbaum, Buchanan,

Lederberg, Stanford University), 1969

– PROLOG – PROgrammation en LOGique

(Colmerauer, Roussel, Francuska, Kowalski,

UK), 1970

– M. Minsky – okvir (frame) – shema prikaza

znanja, 1975

Pojava ekspertnih sustava (‗1970-1985)

Pojava ekspertnih sustava (‗1970-1985)

– B. Buchanan, E. Feigenbaum – MYCIN –

model procjenjivanja u neizvjesnim

okolnostima, 1976

– EMYCIN ljuska (Feigenbaum, Shortliffe,

Stanford University), 1976

– Arthur Dempster, Glenn Shafer – teorija

zakljuĉivanja u sluĉaju neizvjesnog,

promjenjivog, kolebljivog, dvojbenog znanja,

1976

9.5.2008

11

– Hopfield, Neural Networks and Physical Systems with

Emergent Collective Computational Abilities,1982

– Kohonen, Self-Organized Formation of Topologically

Correct Feature Maps, 1982

– Rumelhart, McClelIand, Parallel Distributed Processing,

1986

– Prva meĊunarodna konferencija o neuronskim mreţama,

IEEE,1987

– Haykin, Neural Networks, 1994

– Programski alati - Neural Network, MATLAB Application

Toolbox (The MathWorks, Inc )

Obnova umjetnih neuronskih mreţa (1965- )

– Rechenberg, Evolutionsstrategien Optimierung

Technischer Systeme nach Prinzipien der

Biologischen Evolution, 1970

– Holland, Adaptation in Natural and Artificial Systems,

1975

– Koza, Genetic Programming: On the Programming of

the Computers by Means of Natural Selection, 1992

– Schwefel, Evolution and Optimum Seeking, 1995

– Fogel, Evolutionary Computation - Towards a New

Philosophy of Machine Intelligence, 1995

Evolucijsko raĉunanje (‗1970- )

9.5.2008

12

– Zadeh, Fuzzy Sets, 1965

– Zadeh, Fuzzy Algorithms, 1969

– Mamdani, Application of Fuzzy Logic to Approximate

Reasoning Using Linguistic Synthesis, 1977

– Sugeno, Fuzzy Theory, 1983

– Proizvodi široke potrošnje (perilica za posuĊe, stroj za

pranje rublja, klima ureĊaji, fotokopirni aparati)

– Sendai Subway System (Hitachi, Japan), 1986

– Negoita, Expert Systems and Fuzzy Systems, 1985

Pribliţno raĉunanje (1980‘- )

Pribliţno raĉunanje (1980‘- )

– Prva meĊunarodna konferencija o neizrazitim sustavima, IEEE, 1992

– Kosko, Neural Networks and Fuzzy Systems, 1992

– Kosko, Fuzzy Thinking, 1993

– Yager and Zadeh, Fuzzy Sets, Neural Networks and Soft Computing, 1994

– Cox, The Fuzzy Systems Handbook, 1994

– Kosko, Fuzzy Engineering, 1996

– Zadeh, Computing with Words — A Paradigm Shift, 1996

– Programski alati - Fuzzy Logic, MATLAB Application Toolbox (The MathWorks, Inc )

9.5.2008

13

Doba primjena (1995‘-)

– DART – planiranje sloţenih logistiĉkih zadataka u Zaljevskom ratu, 1991

– Šahovski program IBM Deep Blue pobjeĊuje Gari, 3 5:2 5, Kasparova, 1997

– RoboCup - nogometno prvenstvo robota, 1997

– PROVERB - rješavanje kriţaljki, 1999

– Breazeal, Sociable machines, Kismet, Leonardo izraţavanje emocija, 2000

– Web Ontology Language, 2004

– OpenCyc - vršna ontologija, 2006

– Šah - Deep Fritz 10 : Vladimir Kramnik = 4 : 2(2 pob i 4 remi), 2006

Doba primjena (1995‘-)

– Inteligentni transportni sustavi, 1995

– Dickmanns, samostalno vozilo (robot) Mercedes S-

klasa – Munchen - Copenhagen – aktivni vid/175

km/h/66 km bez intervencije vozaĉa, 1995

– ALVINN vidni sustav - NavLab - raĉunalom upravljano

vozilo, CMU, 1998

– Samostalni robot Nomad - potraga za uzorcima

meteorita na Antarktiku, 2000

– Probabilistiĉka robotika, Sebastian Thrun, 2005

9.5.2008

14

PRIMJERI

SAMOSTALNIH

INTELIGENTINH

VOZILA

http://www.darpa.mil/grandchallenge/

~ 230 km

~ 230.000 GPS

Najdulji prijeđeni putSandstorm ~ 12 km

DARPA Grand Challenge

Robot Vehicle Race 2004

Nagrada 1.000.000 USD

27

DARPA Grand Challenge

Robot Vehicle Race 2005

Stanley - Stanford30 km/h – 6:54h

~ 210 kmPrijavljeno 195

Započelo 23

Nagrada 2.000.000 USD

Sandstorm H1ghlanderStanley

28

Stiglo na cilj:5 vozila

9.5.2008

15

29

DARPA 3rd Grand ChallengeUrban Challenge November 2007

96 km gradske vožnje, za < 6 sati, poštujući

prometna pravila

Nagrada za 1. mjesto CMU

2.000.000 USD

1. mjesto Chevy Tahoe 4:10:20

4 vozila za < 4 sata

6 vozila stiglo na cilj

30

SUSTAV ZA MULTISENZORSKO IZVIĐANJE I NADZOR U

IZVANREDNIM SITUACIJAMA I ZAŠTITI OKOLIŠA – TP MZOŠ

Geodetski fakultetFakultet prometnih znanosti

9.5.2008

16

31

Inteligentna vozila

• 1 Road Condition Reporting – prilagodba na stanje kolnika

When a car using BMW's hazard system slips on ice, its sensors activate traction control Meantime, wireless technology alerts other cars in the area to the hazard

• 2 Adaptive Cruise Control – prilagodba na tijek prometa Luxury cars made by Audi, BMW, Infiniti, and others now use radar-guided cruise control to keep pace with the car ahead

• 3 Omnidirectional Collision System – izbjegavanje sudara

GM has built an inexpensive collision detection system that allows GPS-equipped cars to identify each other and communicate wirelessly

• 4 Lane-Departure Prevention – izbjegavanje promjene vozne stazeNissan has a prototype that uses cameras and software to detect white lines and reflective markers If the system determines the vehicle is drifting, it will steer the car back into the proper lane

• 5 Auto Parallel Park – samostalno parkiranje (NXT) (Lexus)Toyota has a technology that uses a camera to identify a curbside parking space and turns the wheel automatically to reverse you into the spot

• 6 Blind-Spot Sensors – upozorenje o mogućnosti sudara GM's GPS-based collision detectors can warn you when another car enters your blind spot

• 7 Corner Speed – prilagodba vožnje u zavojimaAn experimental Honda navigation computer anticipates upcoming turns and, if necessary, slows the vehicle to match predetermined safe speeds

Ekspertni sustavi

32

9.5.2008

17

Ekspertni sustav

• Prikuplja, organizira i koristi znanje struĉnjaka za rješavanje problema iz odreĊenog (uskog) podruĉja

• Ekspertni sustav

– znanje i struĉnost ĉovjeka izraţeni u obliku pravila (ako ... onda)

– baza znanja i mehanizam zakljuĉivanja su razdvojeni

– sustav moţe objasniti postupak zakljuĉivanja

33

Inţenjering znanja

• Naĉin prikupljanja (izvlaĉenja), prikaza i upotrebe znanja

• Izraţavanje struĉnjaka

– nepreciznim, dvosmislenim terminima (gotovo uvijek, obiĉno, ponekad)

– korištenjem lingvistiĉkih varijabli (visok, brz, teţak)

• Postupak prikupljanja, provjere i preradbe znanja je zamoran i skup

34

9.5.2008

18

Integracija inteligentnih sustava

• Sutavi temeljeni na pravilima

• Neizrazita (fuzzy) logika– raĉunanje sa rijeĉima

– koristi neizrazite, pribliţne vrijednosti koje opisuju znaĉenja, naĉin zakljuĉivanja i odluĉivanja

• Umjetne neuronske mreţe– uĉe na temelju iskustva i modificiraju postojeća ili

proizvode nova pravila

• Evolucijski sustavi– zasnovani na modelima prirodne selekcije i genetika

• Hibridni sustavi

35

Model produkcijskog sustava

Kratkotrajna memorijaDugotrajna memorija

Produkcijska

pravila

Baza podataka

Ĉinjenice

Zakljuĉivanje

Zakljuĉak

Ĉovjek rješava problem primjenom znanja (izraţenog produkcijskim pravilima i

pohranjenog u dugotrajnoj memoriji) na zadani problem opisan karakteristiĉnim

informacijama, ĉinjenicama (pohranjenim u kratkotrajnoj memoriji).

9.5.2008

19

Osnovna struktura ekspertnog sustava

Baza podatakaBaza znanja

Pravila: AKO-

ONDA

Baza podataka

Ĉinjenice

Mehanizam zakljuĉivanja

Mehanizam objašnjavanja

{Zašto?|Kako?}

Korisniĉko suĉelje

Korisnik

Struktura ekspertnog sustava

• Primjena na usko

specijalizirano podruĉje

• Koristi se heuristiĉki naĉin

zakljuĉivanja

• Jednostavno objašnjavanje

postupka zakljuĉivanja

• Simboliĉko zakljuĉivanje –

nenumeriĉki podaci

• Pribliţno zakljuĉivanje sa

nepotpunim i neizvjesnim

podacima

Ekspertni sustav

Baza podatakaBaza znanja

Struĉnjak

Vanjski programi

Pravila: AKO-

ONDA

Baza podataka

Ĉinjenice

Mehanizam zakljuĉivanja

Mehanizam objašnjavanja

Korisniĉko suĉelje Razvojno suĉelje

Inţenjer znanjaKorisnik

Vanjska

baza

podataka

9.5.2008

20

Razvoj ekspertnog sustavaRazvojni tim ekspertnog sustava

Voditelj projekta

Korisnik sustava

Inţenjer znanja ProgramerStruĉnjak domene

Ekspertni sustav

Ciklus mehanizma zakljuĉivanja

Ĉinjenice

Pravilo: AKO A je

x ONDA B je y

Baza podataka

Baza znanja

Ĉinjenica: A je x

Ĉinjenica: B je y

Preklapanje Aktiviranje

A, B: Pojmovi ili stanja

9.5.2008

21

Primjer zakljuĉivanja

• Baza podataka poĉetno sadrţi ĉinjenice A, B,

C, D i E, a baza znanja 3 pravila:P1: AKO je Y istinito, I D je istinito, ONDA je Z istinito

P2: AKO je X istinito, I je B istinito, I je E istinito, ONDA je Y istinito

P3: AKO je A istinito, ONDA je X istinito

A

Y

E

B

X

D

Z

A

Y

E

B

X

D

Z

A

Y

E

B

X

D

Z

A

Y

E

B

X

D

Z

Geoinformacijski sustavi

(GIS)

9.5.2008

22

Što je GIS?

Organizirani skup

– sklopovske i programske opreme,

– zemljopisnih podataka i

– osoblja

s ciljem

– uĉinkovitog prikupljanja, pohrane, obrade, obnavljanja, rašĉlambe i prikaza

– svih oblika informacija vezanih uz prostor -georeferenciranih informacija

GIS

• Povezivanje prostornih podataka s zemljopisnim

informacijama o odreĊenom objektu na karti

• Informacije o objektu su pohranjene kao obiljeţja

objekta u bazi podataka

– širina ulice, godina posljednjeg asfaltiranja

– izraĉun duljine ulice

• Pronalaţenje prostornih odnosa izmeĊu objekata

na karti

• Crtanje karata nije osnovna namjena GIS-a

9.5.2008

23

GIS

Komponente GIS-a

Programska

pomagala +Baza

podataka

PRIKAZ

REZULTATA

Modeliranje

KORISNIKOKOLINA

Prostor, Objekti

IzvoĊenje prostornih operacija

MjestoZemljopisna

širina

Zemljopisna

duljina

Duljina ulica

(km)

Zagreb 45º 48‘ 49‖ N 15º 59‘ 33‖ E L-Zg

Split 43º 30‘ 22‖ N 16º 26‘ 46‖ E L-St

Rijeka 45º 19‘ 23‖ N 14º 27‘ 04‖ E L-Ri

Osijek 45º 33‘ 24‖ N 18º 41‘ 42‖ E L-Os

Zadar 44º 06‘ 50‖ N 15º 13‘ 39‖ E L-Zd

9.5.2008

24

Upiti na GIS

• Prostorno nezavisni:

– Prosjeĉna duljina ulica u navedenim gradovima?

– Ne koriste se zemljopisne koordinate

– Ne traţe se prostorni odnosi izmeĊu gradova

• Prostorno zavisni:

– Kolika je ukupna duljina ulica gradova u Dalmaciji?

– Koji se gradovi nalaze na meĊusobnoj udaljenosti

od 200 km?

– Koji je najkraći put koji prolazi kroz sve gradove?

GIS odgovori

• Što je na lokaciji ...?– Opis lokacije u bazi: naziv, poštanski broj, zemljopisne

koordinate

• Gdje se nalazi ... ?– Pronalaţenje mjesta ili podruĉja koje zadovoljava

postavljene uvjete: unutar 100 m sa lijeve strane ceste

• Što se promijenilo od ...?– Promjene u prostoru tijekom vremena

• Što ako ...?– Kako se izgradnja nove ceste odraţava na stanje okoliša

– Uz prostorne podatke poznavanje i matematiĉko logiĉkih modela

9.5.2008

25

Ulazno/izlazni podaci GIS-a

Prihvat i

ispravke

ulaznih

podataka

Pohrana i

obrada

podataka

Razvrstava

nje i analizaRezultati

Izvještaji

Karte

Snimke

Statistike

Podaci za ulaz u

modele

Podaci za druge

digitalne baze

podataka

Podaci s karata

Tabelarni podaci

Podaci terenskih

mjerenja

Podaci iz drugih

digitalnih baza

podataka

Snimke iz zraka i

svemira

Podaci stalnih ili

nepokretnih mjerenja

na tlu (GPS)

Digitalni podaci sa

satelita

DALJINSKA

ISTRAŢIVANJA

U L A Z

UPRAVLJANJE BAZOM PODATAKA

GEOGRAFSKI INFORMACIJSKI SUSTAV

Zahtjevi

korisnika

Statistiĉke

obrade

Drugi geografski

informacijski sustavi I Z L A Z

Osnovni modeli prostornih podataka

RASTERSKI

VEKTORSKI

9.5.2008

26

Slojeviti prikaz prostornih podataka

Sloj mreže ulica

- Topologija mreţe

Prometni sloj

- Usmjerenost ulica

- Ograniĉenja skretanja

Problemski sloj

- Objekti

Prikupljanje podatakaFPZ

9.5.2008

27

Satelitske snimke

NASA World Wind / Google Earth

Zagreb – 3D

Interaktivni atlas svijeta

Snimanje iz zrakoplova

Izvorna zrakoplovna

TV snimka 1998. god.

Geokodirana satelitska

snimka 1992. god.

Rezultat geokodiranja

TV snimke

9.5.2008

28

Sustav za zrakoplovno snimanje

Fakultet prometnih znanosti 1998

Video kamera

Daljinsko upravljanje

položajem kamere

Snimanje sa zemlje

Cestovna

signalizacija

GPS primjenik

Fakultet prometnih znanosti 1995

9.5.2008

29

Raskrižje Držićeva / Vukovarska, Zagreb, 1999.

Snimka u infracrvenom (termalnom) valnom području

58

Prikaz rezultata

Planiranje cesta

Usmjeravanje vozila

9.5.2008

30

Demo

Prikaz praćenja vozila

Putanja vozila

Botaniĉki vrt

HNK

Osjetilne mreţe u transportnom

sustavu

9.5.2008

31

Zadaće osjetilnih sustava

• Opaţanje i rašĉlamba signala/podataka iz okoline• Udaljenost

• Slika

• Zvuk

• Dodir

• Miris

• Okus

• ....

• Navigacija – preteţno vid

• Raĉunalni vid u voĊenju i nadzoru vozila

Mjerenje prometnih veliĉina

• Prometni tok (volumen), zauzetost, gustoća

• Broj, prisustvo, prolaz vozila

• Brzina pojedinog i skupine vozila

• Duljina reda

• Profil dolaznog toka

• Vremena putovanja

• Parova izvorno-odredišnih lokacija

• .....................

• Zdruţivanje podataka (data fusion)

9.5.2008

32

63

Znaĉajke senzora za motrenje

Kamera Lidar Radar Ultrazvuk

Valna duljina 10-7 - 10-6 10-6 10-3 - 10-2 10-3 - 10-4

Zavisnost o

vremenskim

uvjetima

Da, vidljivost Da, vidljivost Slaba Velika, vjetar, kiša

Detekcija loših

vremenskih uvjeta

Da Da Ne U odreĊenim

uvjetima

Razluĉivost

Horizontalna Visoka Visoka Srednja Vrlo visoka

Vertikalna Visoka Srednja Vrlo visoka Vrlo visoka

Udaljenost x

Vidno polje

Visok Visok Srednji Nizak

Trenutno mjerenje

Poloţaja + + + +

Brzine - - + (radijalne) + (radijalne)

Telematski opremljeno vozilo

Pokazivač Slika Zvuk Daljinski nadzor

Korisničko sučelje

Odlučivanje u stvarnom vremenu

Agenti donositelji odluka

Privremena

memorijaPrividni

senzori

Prikupljanje podataka GIS baza podataka

Komunikacijska sabirnica

GPS LIDAR IMSSenzori u

vozilu

Cestovna

elektronikaKamere

Senzori

Geografski

informacijski

sustav

9.5.2008

33

Osjetilni sustavi i funkcije

• Inteligentno vozilo u ITS sustavu

• Mikroraĉunala, mikroprocesori i mikrokontroleri

• Raspodijeljeni komunikacijski sustav za prijenos podataka u stvarnom vremenu

• OdreĊivanje udaljenosti izmeĊu vozila

• Bezkontaktna osjetila brzine

• Osjetila za prepoznavanje površine ceste

• Osjetila za naplatu vozila

• Sustavi raĉunalnog vida inteligentnog vozila

• Prepoznavanje prometne signalizacije

• Prepoznavanje prometnice

• Prepoznavanje drugih vozila

• Prepoznavanje pješaka

• Integracija procesnih modula inteligentog vozila

• Višeposredniĉki sustavi

• Multimedijska komunikacija u vozilu

• Komunikacijski sustav vozilo-prometnica

• Komunikacijski sustav vozilo-vozilo

• Sustavi satelitskog pozicioniranja i navigacije

• Usluge zasnovane na poziciji

• Tehnike inteligentog upravljanja vozilom

• Arhitekture sustava autonomnog kretanja

Pokretno raĉunalstvo

66

9.5.2008

34

67

Sveprisutno raĉunalstvo

• Pervasive = koji proţima

• Ubiquitous = svuda prisutan

INFORMACIJA – BILO KADA, BILO GDJE

Informacijsko društvo – Društvo znanja

68

Decentralizacija energije

• Strojevi i obrada energije su pokrenuli industrijsku ―revoluciju‖

• Prvotno proizvodnja i potrošnja energije na jednom mjestu

• Decentralizacija proizvodnje i potrošnje energije – motor s unutrašnjim sagorijevanjem, elektriĉna energija

• Razvoj novih primjena

9.5.2008

35

69

Decentralizacija raĉunalne snage

• Strojevi pojaĉavaju snagu ĉovjeka

• Raĉunala pojaĉavaju mentalne, intelektualne, sposobnosti ĉovjeka

• Doba velikih raĉunala– Statiĉka okolina

– Središnje upravljanje ureĊajima, aplikacijama i korisniĉkim suĉeljem

• Doba osobnih raĉunala

• Doba sveprisutnih raĉunala – Inteligentni informacijsko–komunikacijski moduli

– cluster/grid – grozd/splet

70

Razvoj sveprisutnih raĉunala

DOBA VELIKIH

RAĈUNALA

DOBA OSOBNIH

RAĈUNALA

(PC, Notebook)

DOBA SVEPRISUTNIH

RAĈUNALA

(PDA, HHA, Table PC, Grid)

1960 1980 2000

9.5.2008

36

71

Grid / Splet raĉunala

• Visoki stupanj integracije raĉunalnih sustava brzim komunikacijskim mreţama

• Na zahtjev:– Procesna moć

– Memorijski prostor

– Podaci

– Programi

• Sveopća virtualizacija (prikrivenost izvedbe sustava) raĉunalnih usluga

• Raĉunalni ekosustav – proizvodnja, razdioba i potrošnje

72

Okolina sveprisutnog raĉunalstva

SVEPRISUTNO

RAĈUNALSTVO

UREĐAJI / TEHNOLOGIJE

PRIMJENE / USLUGE

UGRAĐENI

SUSTAVI

POKRETLJIVOST

INTERNET / BEŢIĈNE MREŢE

NOVE VRSTE

UREĐAJA

USLUGE S

DODANOM

VRIJEDNOŠĆU

DIGITALNI

SADRŢAJI

RASTUĆA RAĈUNALNA

ZAJEDNICA

POVEZANOST

BEZ GRANICA

SVEPRISUTNOST

INFORMACIJA

9.5.2008

37

Poopćeni sustav ITS-a

73

Inteligenti transportni sustavi

Sustav opisan izrazima teorije općih sustava (Klir-ova paradigma)

Okolina

Unutarnji opis sustava

ST strukturom,

UC strukturom,

ponašanjem, djelovanjem,

veliĉinima i razinom

razluĉivanja

Ulazne

veliĉine

Izlazne

veliĉine

74

9.5.2008

38

Poopćeni sustav prijevoza i prometaPodsustav mreţe

prometnih koridora

NTC

Podsustav prilagodbe

TFE-NTC

TFA

Podsustav prometnog

entiteta

TFE

Podsustav prilagodbe

TNE-TFE

TNA

Podsustav prijevoznog

entiteta

TNE

Ulazne

veliĉineIzlazne

veliĉine

rArA tp ,rDrD tp ,

Z. Radić, I. Bošnjak, H. Gold, "Generalized ITS Modeling for Improved

Intermodal Interface", Proc. 5th World Congress on Intelligent Transport

Systems, Paper No. 2087 (CD-ROM), Seoul, Oct. 12-16, 1998 75

Prijevozna i prometna inteligencijaINTELIGENCIJA PODSUSTAVA MREŢE

PROMETNIH KORIDORA, NTC-I

INTELIGENCIJA PODSUSTAVA PRILAGODBE

PROMETNOG ENTITETA, TFA-I

INTELIGENCIJA PODSUSTAVA PROMETNOG

ENTITETA, TFE-I

INTELIGENCIJA PODSUSTAVA PRILAGODBE

PRIJEVOZNOG ENTITETA, TNA-I

INTELIGENCIJA PODSUSTAVA PRIJEVOZNOG

ENTITETA, TNE-I

Z. Radić, H. Gold ―Technological Infrastructure in Transitional ITS-Development

Policies‖ Proceedings of the 10th World Congress on Intelligent Transport Systems,

Madrid, November, 16-20, 2003, Paper No. 2726 (CD-ROM)

• osigurava djelotvornu prilagodbu prometnog entiteta na podsustav mreţe

prometnih koridora,

• sposobna je djelovati u stvarnom vremenu u sluĉaju nenadanih dogaĊaja,

• sposobna je odabrati prikiadni koridor za svaki prometni entitet,

• osigurava nuţne uvjete za prikljuĉivanje i odvajanje prometnog entiteta na

odnosno od prometnog sustava.

• uspostavlja unaprijed zadane modove prijevoza zavisno o ţivotnom

vijeku prijevoznog entiteta i odgovarajućim uvjetima prijevoza,

• osigurava promjenu modova prijevoza zavisno o ubrzanoj iii usporenoj

dobi transportnog entiteta,

• sposobna je stvarnovremeno djelovati u sluĉaju nenadanih dogaĊaja,

• osigurava nuţne uvjete za prikljuĉivanje i odvajanje prijevoznog entiteta

na odnosno od prijevoznog sustava.

• uspostavlja unaprijed zadane modove prijevoza zavisno o ţivotnom

vijeku transportnog entiteta i odgovarajućim uvjetima prijevoza,

• osigurava promjenu modova prijevoza zavisno o ubrzanoj iii

usporenoj dobi transportnog entiteta,

• sposobna je stvarnovremeno djelovati u sluĉaju nenadanih dogaĊaja,

• osigurava nuţne uvjete za prikljuĉivanje i odvajanje prijevoznog

entiteta na odnosno od prijevoznog sustava.

• podrţava programirani pomak prilagoĊenog prometnog entiteta,

• pruţa informacije o stanju odgovarajućih prometnih koridora,

raspodjeljena je duţ koridora,

• osigurava zadane prometne uvjete prilagoĊenom prometnom entitetu.

• osigurava obradu podataka i informacija o poIoţaju prostornih koordinata i

dobi prijevoznog entiteta,

• otkriva poremećaje i u stvarnom vremenu ispravlja ponašanje prijevoznog

entiteta,

• suraĊuje sa podsustavom prijevoznog entiteta i podsustavom prometnog

entiteta,

• štiti prijevozni entitet u sluĉaju nenadanih dogaĊaja 76