火车站、地铁站、客运站、公交站,作为城市公共交通的枢纽,属于人员密集、管理难度大的地方,部署再多的警力,往往都是收效甚微;一旦发生暴力事件,只能凭借公安干警的应急调度完成治安管理工作,但及时性又无法保证。
作为旅游城市,昆明发展迅速,城市公共交通更是大力建设,昆明已规划至2019年,开通6条地铁线路;其中地铁3号线于2010年启动建设,于2017年8月30日正式开通,开通三天日均客流即达到10万人/天,为了应对如此大的客流量,昆明地铁3号线采用了“全覆盖”视频监控,结合合理的警力部署,大大提升了3号线管理效率。
昆明3号线采用了华为轨道交通云监控解决方案,从IPC到交换机,再到平台、存储,华为为昆明3号线提供了端到端的轨道交通监控解决方案;而且考虑到地铁应用环境的特殊性,华为轨道交通云监控解决方案在系统稳定性方面,提出了“三重云化”的概念,极大的提升了整个视频监控系统的稳定性及安全性。
昆明地铁3号线CCTV云监控方案设计
昆明地铁3号线闭路电视监控系统的设计主要由车站、车辆段/停车场、线网控制中心、放马桥临时控制中心组成。系统整体架构采用分布式云监控进行分层设计,即控制中心(包含临时控制中心)——车站/停车场/车辆段两层部署结构。车站/停车场/车辆段为下级域,可以独立运行,自主管理本地视频监控资源;控制中心/备用控制中心为上级域,可以随意任意浏览、调阅、控制车站/停车场/车辆段等下级域的视频监控资源。通过分布式云化部署,在车站/停车场/车辆段的摄像机只需要接入到本站的云监控资源池,媒体流由云监控资源池实现转发及存储实现可云化弹性部署。其整体结构图如下:
华为地铁分布式云监控解决方案
华为轨道交通云监控解决方案基于IP网络和视频监控业务特性,推出VCN3000系列视频云节点设备。该设备作为云监控的基本单元,通过云计算、云存储技术应用,将网络中多台节点设备高度紧密组合构成单一、专门用于海量视频监控数据存储的视频云系统,通过云化调度算法实现视频云的三重云化特性,打造业界最高的安全可靠性(99.999%),真正实现监控业务端到端云化管理,为轨道交通行业提供高可靠、高可用性、高伸缩、易扩展的端到端视频云解决方案。
云一:设备之间云化
多个视频云节点之间实现动态负载均衡,任何一台设备出故障,其承载业务将自动并发迁移至其它所有服务正常的视频云节点,保证视频监控全业务不间断(与传统监控平台的N+1集群和N+M备份机制相比核心优势为:无需增加备机,业务迁移为并发机制,效率为N+1集群机制的N倍,云化调度实现了视频业务、计算资源和存储资源的资源池化统一调度,所有业务指令的处理效率都大大提升)。
云二:硬盘RAID组之间云化
单个视频云节点内部多个RAID组之间可以实现动态负载均衡,任何一个RAID组出现故障,其承载业务将自动迁移至其它健康的RAID组,保证视频全业务不间断(传统监控平台无法实现视频业务在RAID组间动态迁移)。
云三:RAID组内多块硬盘的云化
通过Safevideo专利实现底层数据管理,每个RAID组内硬盘之间可以实现云化,同时损坏多块硬盘导致RAID组失效后,视频录像仍然可读,最大程度的满足录像数据安全(传统RAID技术,RAID5可以实现1块硬盘损坏后,数据可读,多块硬盘损坏后整个RAID组的硬盘数据全部丢失)。
随着地铁视频监控迈向高清化时代,存储架构也向更加容易维护的分布式云监控模式转变;云监控不仅支持在线扩容,而且基于良好的平台开放性,能够保障系统互联互通,共享视频与图像数据。截止目前,华为轨道交通云监控解决方案服务于全国18条地铁线路,为多个城市公共交通安全保驾护航,实现24小时无死角全方位监控。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。