Прогнозирование и управление пропускной способностью полосы на регулируемом перекрестке

Рост уровня урбанизации, развитие уличнодорожной сети (УДС) городов требует решения проблем повышения пропускной способности УДС, снижения уровня аварийности на дорогах и выбросов вредных веществ. Одним из решений данных проблем в настоящее время является концепция «умный город», которая подразумевает использование информационных и коммуникационных технологий (ИКТ) для разработки инструментов, позволяющих решать социальные и экономические проблемы населения.

Для разработки и внедрения таких инструментов необходимо оперировать информацией о транспортных потоках (ТП) и их характеристиках в режиме реального времени, так как ситуация на дорогах носит стохастический характер. Этому способствует множество факторов, которыми невозможно управлять: погодные условия, аварийные ситуации и т. п.

Со времен бурного развития автомобильного транспорта предпринималось множество попыток борьбы с возникновением заторных ситуаций на УДС городов. Заторы, как правило, формируются на регулируемых перекрестках. Поэтому важно иметь актуальную информацию о состоянии на определенном участке УДС, в частотности на перекрестке, чтобы с помощью настройки цикла светофорного объекта обеспечить его максимальную пропускную способность. От методов статистической обработки данных, собранных натурными наблюдениями, с развитием информационных и цифровых технологий исследователи перешли на более точные и актуальные методы сбора и обработки данных о текущей ситуации на УДС.

Бурное развитие технологий в сфере распознавания объектов в реальном режиме времени нашло применение и в области регулирования трафика уличного движения [1, 2]. С помощью методов обработки изображений и машинного обучения в режиме реального времени исследователи [3–5] предлагают эффективный способ оценки плотности трафика на перекрестке.

Ряд исследователей разработали модели оценки длины очереди транспортных средств (ТС) в городских условиях [6–8].

В работах [9–11] используются методы нечеткой логики и искусственного интеллекта для динамического управления сигналами светофора на перекрестках.

Исследователи [12] также разработали динамическую систему управления трафиком, которая с помощью компьютерного зрения собирает данные о дорожном трафике только между двумя перекрестками.

Одной из сложностей при сборе информации о ТП в режиме реального времени является точность распознавания транспортных средств, в том числе при неблагоприятных погодных условиях и темного времени суток. Этой проблемой занимались исследователи в работе [13], где предложен алгоритм, основанный на R-CNN и быстрой двусторонней фильтрации.

Целью данной работы является разработка методики, позволяющей с использованием возможностей ИТС решать такие вопросы, как:

• 1.    Мониторинг и сбор текущей информации на участке УДС (перекрестке) с помощью уличных видеокамер с широким углом обзора и обученной нейронной сетью.

• 2.    Устранение или минимизация возможности возникновения заторной ситуации путем изменения как продолжительности конкретной фазы, так и всего цикла работы светофорного объекта.

• 3.    Определение зависимости влияния очереди ТС на перекрестке и длительности фазы разрешающего сигнала светофора на пропускную способность перекрестка.

Многообъектное отслеживание

Для обнаружения, отслеживания траектории и измерения скорости ТС были использованы камеры уличного видеонаблюдения с большим углом обзора. Для сбора данных выбраны камеры с широким углом обзора, обеспечивающие видимость всей функциональной зоны перекрестка и прилегающих дорог. Камеры расположены с углом места 30–60° к горизонту, на высоте 14–40 м. Видеопотоки характеризуются стабильной передачей 25 кадров в секунду, поддерживая разрешение 1920×1080 пикселей [14].

Прогресс в точности детекторов объектов сделал парадигму слежения за обнаружением ведущей в задаче слежения за несколькими объектами. В этой парадигме отслеживание формулируется как проблема ассоциации данных, цель которой состоит в том, чтобы объединить нечеткие обнаружения нескольких кадров в длинные треклеты. Классические методы слежения за обнаружением полагаются исключительно на подсказки движения от детектора и решают проблему ассоциации данных с помощью методов оптимизации [15]. Хорошо известными примерами являются отслеживание множественных гипотез [16] и объединенный фильтр ассоциации вероятностных данных [17]. Эти методы решают проблему ассоциации на покадровой основе, но их комбинаторная сложность экспоненциально зависит от количества отслеживаемых объектов, что делает их непригодными для отслеживания в реальном времени. Напротив, недавний трекер SORT [18] показал, что простой венгерский алгоритм с фильтрацией Кал-мана для прогнозирования движения может обеспечить скорость обработки в реальном времени при сохранении хорошей производительности. Стоит отметить, что одновременное обнаружение и отслеживание транспортных средств – область активных исследований [19, 20]. Объединение этих задач может решить проблему производительности, упомянутую выше. Детекторы уже включают в себя функции внешнего вида, точность обнаружения также выиграет от временного контекста изображения.

В начале исследования основой нашего модуля детектирования являлся широко распространенный двухкаскадный детектор Faster R-CNN [21]. Были получены хорошие результаты в точности, но процесс обучения нейронной сети оказался сложным и требовал значительных вычислительных мощностей (рис. 1). Учитывая общую производительность, можно сделать вывод, что разработанная система хоть и показывает многообещающие результаты, но все же отстает от требований к

Рис. 1. Оценка транспортного потока с применением нейронной сети Faster R-CNN

Логистика и управление транспортными системами мониторингу в режиме реального времени. Однако решение по мониторингу транспортных потоков на основе нейронной сети Faster R-CNN может использоваться для оптимизации времени светофора или обнаружения аномалий пропускной способности на перекрестках [18].

Другим примером компромисса между скоростью и точностью является архитектура YOLO [4, 22], которая специализирована для обнаружения транспортных средств с помощью кластеризации якорей, дополнительной нормализации потерь и стратегии слияния многоуровневых функций. Основываясь на задаче обнаружения объектов в реальном времени, нейронная сеть YOLO v4 способна обрабатывать максимальное количество кадров в секунду, при этом она не сильно теряет в точности.

Важной особенностью этой архитектуры является то, что сверточные слои применяются к изображению один раз, в отличие от таких архитектур, как R-CNN [23, 24, 25] и Faster R-CNN [21], что обеспечивает многократное увеличение скорости обработки изображения без значительных потерь в точности: одно изображение обрабатывается в 1000 раз быстрее с использованием YOLO, чем R-CNN, и в 100 раз быстрее, чем Fast R-CNN [9].

Разработанная система мониторинга была протестирована на нескольких перекрестках в г. Челябинске, показав среднюю ошибку подсчета транспортных средств 5,5 %. Погрешность определения скорости автомобиля проекционным методом с учетом калибровки камеры на тестируемом перекрестке не превышала 1,5 м/с [4, 26]. Для обнаружения и классификации ТС использована архитектура нейронной сети YOLOv4 и трекера с открытым исходным кодом (SORT). В процессе обучения нейронной сети было размечено более 25000 исходных изображений. Для работы в слож- ных метеоусловиях (снег, дождь, туман и т. д.) проведена аугментация, что позволило сформировать dataset с 26,7 млн ТС (рис. 2).

Данное решение позволяет поддерживать стабильную точность работы системы при снижении видимости, вызванной погодными условиями.

Расчет пропускной способности

В основе детерминированных моделей транспортного потока лежит функциональная зависимость между отдельными показателями, например, скорость и дистанция между ТС в потоке. Показатель скорости определяет пропускную способность (ПС) полосы движения и может быть использован для более эффективной настройки циклов работы светофорного объекта.

В данном исследовании рассмотрим движение легковых автомобилей по полосе только прямо.

Безопасная дистанция между движущимися друг за другом автомобилями, обладающими сходными тормозными характеристиками D б , рассчитывается по формуле:

• D 6 = V a • t p ,                                  (1)

где V a - скорость транспортных средств, движущихся друг за другом (м/с); t_p - время реакции водителя ведомого ТС с учетом дополнительного времени, необходимого для оценки темпа сближения ТС (с).

Исследования средней длины легкового автомобиля и фактической средней дистанции между транспортными средствами, движущимися в связанном транспортном потоке, проведены, как натурным способом, так и с использованием общедоступного интернет ресурса Google Maps. Анализ полученного масштабного изображения показал, что средняя длина легкового автомобиля ( l a ), движущегося в потоке, составляет около 4,6 м, фактическая средняя дистанция между транспортными

Рис. 2. Мониторинг транспортных потоков (YOLO v4)

средствами ( D_б ) находится в пределах 9,2 м.

Теоретически максимально возможное количество легковых автомобилей, способных двигаться на определенном расстоянии ( n a ), можно определить по формуле:

⁽ n a ^{- 1 )} =

S la + D6

где S – расстояние (м); l a – длина ТС (м).

Таким образом, принимая среднее расстояние между перекрестками (500 м) и среднюю длину ТС (при скорости ТП 50 км/ч), максимально возможное количество ТС между перекрестками по одной полосе составит 43 ед.

Руководствуясь основным принципом расчета цикла работы светофорного объекта, согласно которому все ТС, подъехавшие к узлу УДС за время цикла, должны покинуть его за время разрешающего такта, а согласно действующим методическим рекомендациям [27], продолжительность цикла не должна превышать 120 секунд, можно сделать вывод о том, что:

• 1.    При двухфазной работе светофорного объекта и соотношении фаз 1:1, продолжительность разрешающего такта ( t_i ^max ) рассчитывается:

• 2.    При двухфазной работе светофорного объекта и соотношении фаз 60 %:40 %, продолжительность разрешающего такта рассчитывается:

max        min ti    = TO - ti -2" tp,r ,                             (3)

где T ₀ – продолжительность цикла светофорного объекта (c); t_i ^min – продолжительность разрешающего такта конфликтующего к рассматриваемому направлению (с); t_pr – продолжительность промежуточного такта (с).

max         max ti    = To--ti    -2"tpr.                        (4)

где 2 • t imin = 3 • t i max - продолжительность разрешающего такта конфликтующих к рассматриваемому направлений.

Полученные результаты продолжительности основного такта исследуемого направления в зависимости от цикла работы светофорного объекта и количества фаз показаны в таблице.

Согласно действующим на территории Российской Федерации Правилам дорожного движения при включении запрещающего «желтого» сигнала светофора водитель должен принять меры к снижению скорости в темпе «не прибегая к экстренному» с целью остановки перед стоп-линией. При отсутствии технической возможности остановиться при применении указанного выше темпа снижения скорости в местах, указанных в п. 6.13 Правил дорожного движения РФ, водитель получает право продолжить движение через перекресток. Однако, учитывая тот факт, что в подавляющем числе случаев светофорные объекты перед включением запрещающего «желтого» сигнала используют разрешающий «мигающий зеленый» сигнал, водители транспортных средств при его включении предпринимают меры к снижению скорости в темпе «служебного» торможения с целью остановки в местах, регламентированных требованиями п. 6.13 Правил. При указанных условиях за 3 с до окончания включения разрешающего сигнала светофора водители транспортных средств отказываются от продолжения движения и принимают меры к остановке, исключая, таким образом, данный отрезок времени (tsn) из продолжительности основного такта.

При наблюдении за движением ТС в потоке было обнаружено, что первый автомобиль въезжает на перекресток спустя 3,8 с после включения зеленого сигнала, а последующие автомобили начинают движение через 3,1; 2,7 и 2,2 с за предыдущим ТС. Все следующие автомобили после пятого, въехали на перекресток со средним интервалом в 2,1 с. Таким образом, время задержки старта ТС зависит от его положения в очереди и определяется по формуле:

t z = t z + t - z + t 3 + t 4 + ^2,1 " ( n i ^{- 4} ) , ⁽⁷⁾ где t ₁ ^z , t ₂ ^z , t ₃ ^z , t ₄ ^z – время задержки выезда ТС на перекресток соответственно первого, второго, третьего и четвертого в очереди (с); n i – позиция в очереди i -го ТС.

Продолжительность разрешающего такта

	Продолжительность основного такта (120 с)
	2 фазы		3 фазы
Соотношение фаз	50 % к 50 %	60 % к 40 %	30 %:30 %:30 %	40 %:30 %:30 %
Продолжительность основного такта (с)	57	68	37	51

Логистика и управление транспортными системами

Иными словами, например, 15-й автомобиль, находящийся в очереди, начнет движение через 35 секунд после включения разрешающего «зелено- го» сигнала.

Соответственно, после возобновления движения автомобиль должен освободить перекресток. С технической точки зрения это означает, что автомобиль должен достичь такой точки, находясь в которой, при смене сигнала светофора на запрещающий, водитель будет вправе продолжить движение. Данная точка представляет собой положение, при котором расстояние от автомобиля до стоп-линии будет не более необходимого для остановки при применении торможения в темпе «не прибегая к экстренному». Тогда,

о i     асс nex ,

где tacc – продолжительность времени необходимо- го для достижения стоп-линии при движении с постоянной скоростью на известном отрезке пути (c); tnex – продолжительность движения транспортного средства с момента применения торможения в темпе «не прибегая к экстренному» до остановки перед стоп-линией (c).

В свою очередь, продолжительность движения транспортного средства с момента применения торможения в темпе «не прибегая к экстренному» до остановки перед стоп-линией определяется по формуле:

tn ex = tl +t2 + 0,5 " Ц + Vaijnex , (9) nex a nex где t1 – продолжительность времени реакции водителя при смене сигнала светофора с разрешающего мигающего зеленого» на запрещающий «желтый» (c); t2 – продолжительность времени запаздывания срабатывания тормозного привода автомобиля (с); t3 – продолжительность времени нарастания замедления автомобиля (с); jnex – замедление авто- мобиля при применении водителем торможения в темпе «не прибегая к экстренному» (м/с2).

Продолжительность времени, необходимого для достижения стоп-линии с момента возобновления движения на известном отрезке пути ( t_acc ), определяетс я по ф ормуле:

acc tacc                ,                                              (   )

a где Sacc – отрезок пути, преодолеваемый транспортным средством, находившимся в очереди, с момента возобновления движения до стоп-линии (м); a – средняя ускорение автомобиля, находившегося последним в очереди, возобновляющего движение при включение разрешающего сигнала светофора (м/с2).

Отрезок пути, преодолеваемый транспортным средством, находившимся в очереди с момента возобновления движения до стоп-линии (Sacc), определяется по формуле:

S acc = ( ^H l a + d ) + 1 0 ,              (11)

где d – средняя дистанция между транспортными средствами, находящимися в очереди в неподвижном состоянии (м); l 0 – расстояние от первого стоящего в очереди автомобиля до стоп-линии (м).

Таким образом, максимально возможная продолжительность основного такта ( t 0 ), исследуемого направления только прямо для разъезда очереди из ТС, складывается из расчетного времени основного такта ( t_i ^о ), времени стартовой задержки ( t_i ^z ) и времени преждевременного начала снижения скорости (tsn):

t 0 = t i ⁺ t i ⁺ t sn .                                 ⁽¹²⁾

Таким образом, пропускную способность полосы за такт можно рассчитать по формуле:

Рис. 3. Зависимость пропускной способности полосы от количества ТС в очереди и продолжительности разрешающего такта при скорости ТП 50 км/ч

Vamax

N0 = ni + ;---— 1ti- la + D6 V7

Использование предложенной методики, как подсистемы ИТС по светофорному регулированию, позволяет рассчитать и спрогнозировать пропускную способность перекрёстка с учетом параметров приближающего транспортного потока (рис. 3).

Таким образом, при средней скорости ТП 50 км/ч и очереди 10 автомобилей при такте 57 с дополнительно могут проехать 33 ТС, пропускная способность такого цикла составит 43 ТС. Если очередь ТС на перекрестке составит 20 и более, то при этом же такте разъедется только очередь, а прибывающие ТС уже не успевают покинуть перекресток и формируют новую очередь во время запрещающего такта.

Предварительные результаты и обсуждение

Приведенная методика расчета пропускной способности полосы движения только прямо на регулируемом перекрестке дает возможность использовать его в существующих ИТС, что позволит решить многие задачи. Сбор данных о параметрах ТП (скорость, плотность, оценка очереди) в режиме реального времени с помощью сверточных нейронных сетей позволит не только рассчитать пропускную способность перекрестка, но и спрогнозировать формирование очереди внегрупповых ТС. Представленная методика позволяет минимизировать формирование заторных ситуаций, изменяя продолжительность как отдельной фазы, так и продолжительность всего цикла светофорного объекта без ущерба для конфликтующего направления.