智能交通系统需要一定的交通数据来保障其顺利运作。在十字路口，道路使用者之间发生冲突的概率极高，因此可靠智能地监控不同的交通模式至关重要。
根据美国联邦公路管理局综合伤亡数据，超过50%的车祸事故发生在十字路口。对行人来说，十字路口是一个相当危险的地方，在俄勒冈州波特兰市，三分之二涉及行人的车祸事故发生在那里。而在秋冬季节，天黑得较早，车祸数也因此大大增加。所以，知晓在低能见度情况下发生了什么对保障所有道路使用者的流动性和安全性都十分必要。
一些机构使用摄像头来监控交通模式，但这不适用于雨天、夜晚和有雾的情况。一些城市使用雷达代替摄像头，这虽然在低能见度情况下效果更好，但通常无法像照片一样显示真实场景蕴含的丰富信息。传统的雷达能够为所有接近的实体提供运动和位置信息，但是它很难可靠地分辨不同模式之间的差异。
在美国国家交通与社区研究所最新资助的研究“Development of Intelligent Multimodal Traffic Monitoring using RadarSensor at Intersections”（《使用雷达传感器的智能多模态十字路口交通监测系统进展》）中，亚利桑那大学的研究者曹思扬、吴耀然、晋丰和李晓峰通过开发一个高分辨率雷达传感器解决了这个问题。该传感器可以可靠地区分车辆和行人，并提供移动目标的数量、速度和方向，而且不受光线和天气的影响。未来，他们将进一步完善模型，以解释更复杂的数据，并使之能够识别出额外的模式。
为什么使用毫米波雷达
该原型设备使用了一个高分辨率的毫米波雷达传感器，其在低能见度条件下的表现优于摄像头，并且因能够提供丰富的图像而胜过传统雷达。
曹思扬解释道：“毫米波雷达区别于其他传感器的优势在于，它能够提供稳定的径向速度，在识别车辆速度方面对我们帮助很大。”这使得该系统比像激光雷达等基于光的传感器系统更具优势。激光雷达系统虽然能够“看”到丰富的细节，使得分辨物体变得更简单，但是它们在识别移动和速度方面表现不佳。而毫米波雷达能够比激光雷达更可靠地分辨移动目标的速度。
“多模态交通监测中的关键在于找到各个模式的速度和流量。传感器必须能够实现探测、追踪、分类以及物体速度的测量，同时保持低成本和低能耗。结合实时交通数据分析，我们希望能够提高交通效率并减少意外车祸事故的发生。”曹思扬说道。
毫米波雷达的工作频段也比激光雷达更低，因此在不同天气条件下（如雨、雪、雾、霾等）表现更稳定。在多模态交通监测中，传感器需要在室外环境下工作，因此毫米波雷达是最优选择。
在十字路口测试传感器
该研究开发了一个多元高斯混合模型（multivariate Gaussian mixture model, GMM）来解译毫米波雷达输出的信息。首先，传感器会产生一个丰富的雷达点云描述。然后，该模型会将其划分为三种目标：行人、轿车和“杂物”。杂物仅仅指固定的表面，比如建筑、树木等其他物体。这一步骤一旦完成，数据流就会被无线传输到笔记本电脑上并显示为一个视觉图像。在实验室中，曹思扬和他的学生对该设备进行了校正，使其输出能与摄像头获取的图像匹配。
亚利桑那大学的研究团队制造出的原型机成本低、重量轻，并且体积小巧便于安装。研究者将他们的传感器安装在了图森市的一个十字路口，同时在附近的停车场安置了一台笔记本电脑来进行测试。根据他们开发的GM模型，原型机在目标检测与正确识别方面均得到了不错的结果，前景光明。像测试地点这样的设有信号灯的十字路口是收集这种混合交通数据的关键地点，因为大多数冲突和车祸事故往往涉及多种交通运输模式。
扩展多模态交通技术
曹思扬表示：“我们意识到传感器技术正在迈向一个有着诸多新型应用的新阶段。一方面，传感器的成本下降而性能却大大增加。与此同时，电池技术，通讯技术和由人工智能实现的计算等相关外围技术也在进步。对多模态交通监测系统来说，传感器可以收集信息，并通过下一代的通讯网络将其分享给驾驶员，这提高了人们在十字路口的流动性和安全性。”
未来，研究者们希望能进一步完善这一模型，使其能够识别其他模式，例如电动车、自行车、卡车和公交车。一经完善，该传感器就能对建立准确可靠的市区交通网络起到重要作用。该项目的GitHub资源库提供了更多信息，包括测试应用中的数据、视频和图像。
此外，该项目的成果（GMM模型和原型机）为人们提供了可参考的见解，通过开发其他先进技术以创造一个公正、健康可持续发展的城市。通过引领创新实践和技术的开发与运用，这一项目能够帮助提高国家交通系统的安全性和工作性能。