Светофорные объекты: Светофорные объекты

Разное / 24.09.2018 / alexxlab / 0

Светофорные объекты

ЦИТИ выполняет рабочие проекты на строительство и реконструкцию автоматизированных систем управления дорожным движением (АСУД) любой сложности. С 1998 г. нами были выполнены более семисот проектов АСУД. Светофорные объекты по нашим проектам есть во всех административных округах города Москвы. Проектные работы увязываются как с условиями плотной исторической застройки центральной части города, так и с условиями нового строительства в быстроразвивающихся районах Москвы. Так же, мы активно работам в Московской области, где выполняется строительство новых и переоборудование существующих светофорных объектов, связанное с реконструкцией федеральных трасс.

Уже много лет ЦИТИ работает по программе проектирования объектов светофорного хозяйства в городе Москве, где Заказчиком, в настоящее время, является Государственное учреждение города Москвы — Центр организации дорожного движения Правительства Москвы (ГУ ЦОДД).

Проектирование выполняется в строгом соответствии с действующими нормативными документами. Все объекты по г.Москве проектируются на действующей геодезии Государственного унитарного предприятия «Московский городской трест геолого-геодезических и картографических работ» (ГУП «Мосгоргеотрест»). При разработке проектной документации осуществляются все необходимые согласования со всеми заинтересованными организациями (управами районов, балансосодержателями дорог, ТСЖ, ДЕЗ и др.). Так же, на стадии согласования с Отделом подземных сооружений (ОПС) ГУП «Мосгоргеотрест», осуществляется получение Технических условий (ТУ) от всех владельцев коммуникаций и сетей, в охранных зонах которых проводится проектирование. Проектирование АСУД увязывается с проектными предложениями АО «Моспроект», АО БКП «Трансинжстрой», ГУП «Мосинжпроект». Проводится проектирование объектов АСУД по II и III категории надежности присоединения к электрическим сетям.

Проекты АСУД, разработанные нашей организацией, успешно проходят согласования в Московской государственной вневедомственной экспертизе (Мосгосэкспертиза).

Рабочий проект на строительство или реконструкцию АСУД включает в себя следующие разделы:

• техническое задание;
• рабочий проект на строительство светофорного объекта;
• проект организации строительства;
• проект организации дорожного движения;
• стройгенплан;
• сводный сметный расчет.

В качестве примера приведена Схема расстановки технических средств из проекта по одному из самых крупных объектов АСУД на юго-западе г. Москвы (пересечение ул. Вавилова с проспектом 60-летия Октября), в котором объединены АСУД, локальные мероприятия и координированное управление.

Светофорные объекты на улично-дорожной сети

Светофорный объект — группа светофоров, установленных на участке улично-дорожной сети, очередность движения по которому конфликтующих транспортных потоков или транспортных и пешеходных (велосипедных) потоков регулируется одним дорожным контроллером.

Набор данных «Светофорные объекты на УДС» содержит следующую информацию об установленных в г. Москве светофорных объектах:

Идентификатор объекта – единый идентификационный номер светофорного объекта в системе учета;

Административный округ – принадлежность светофорного объекта к конкретному административному округу г. Москвы. Для статистики в целях учета светофорный объект относится всегда только к одному административному округу;

Район – принадлежность светофорного объекта к конкретному району г. Москвы. Для статистики в целях учета светофорный объект всегда относится только к одному району;

Описание местоположения – адресный ориентир, содержащий в себе наименование улицы (пересечения улиц), номеров домов, зданий и сооружений, вблизи которых расположен светофорный объект;

Статус — информация, отражающая текущий статус (эксплуатация, строительство или реконструкция) светофорного объекта на улично-дорожной сети г. Москвы;

Сигнал для слепых – информация о наличии звукового оповещения пешеходов;

Количество светофоров – информация, отражающая количество всех типов светофоров на одном светофорном объекте;

Комментарий — информация о специфических параметрах светофорного объекта;

Долгота — географическая координата долготы местонахождения светофорного объекта;

Широта – географическая координата широты местонахождения светофорного объекта.

Современная ситуация в России

Светофорный объект — одно из самых распространённых средств организации и регулирования дорожного движения. Поэтому, как минимум один светофорный объект можно встретить практически в каждом городе России. Светофорные объекты, в том числе, могут являться частью интеллектуальных транспортных систем и «умных городов».

Светофорные объекты могут работать в различных режимах управления:

— локальный – очередность и время движения конфликтующих направлений регулируется локальной программой дорожного контроллера;

— адаптивный – очередность и время движения конфликтующих направлений регулируется контроллером на основании данных о прибытии транспортных средств на перекресток, поступающих с детекторов транспорта;

— координированный – очередность и время движения конфликтующих направлений регулируется из центра специализированной автоматизированной системой управления.

Современная ситуация в Москве

Строительство и реконструкция (модернизация) светофорных объектов в г. Москве осуществляется в рамках комплексных программ реконструкции и благоустройства транспортной инфраструктуры, а также в рамках локальных мероприятий, по итогам исследования и анализа регулярности и протяженности пробок, количества дорожно-транспортных происшествий, плотности пешеходных потоков, и иных параметров, влияющих на координацию и организацию дорожного движения на улично-дорожной сети в границах г. Москвы.

А знаете ли вы что?

В 1950–е годы многие светофоры имели горизонтальное расположение огней. Это вызывало большие затруднения у водителей, страдающих частичной цветовой слепотой – дихромазией. Лица, страдающие дихромазией (дихроматы), различают цвета главным образом по их яркости – качественно они способны отличать в спектре лишь теплые тона (красный, оранжевый, желтый) от холодных (зеленый, синий, фиолетовый). Именно поэтому предпочтение было отдано варианту светофора с вертикальным расположением огней, причем была установлена строгая последовательность их по цвету: красный вверху, зеленый внизу и желтый посредине. Более того, поскольку среди дихроматов различают слепых на красный цвет и слепых на зеленый цвет, красный сигнал современного светофора имеет оранжевый оттенок, а зеленый сигнал – синий оттенок.

Материал подготовлен на основе информации, содержащейся во внутренних системах учета ГКУ ЦОДД, собираемой и актуализуемой в рамках эксплуатации светофорных объектов, портал http://data.mos.ru, https://info.wikireading.ru/.

Транспортные и пешеходные светодиодные светофоры и светофорные объекты

Наша компания занимается производством и поставкой светофорного оборудования — светодиодные светофоры, пульты программирования, табло обратного отсчета времени, которые вместе образуют умные системы для обеспечения безопасности дорожного движения.

Светодиодные светофоры делятся на следующие типы — транспортные и пешеходные, предназначены они для автономного размещения на регулируемых перекрестках и пешеходных переходах, они оснащаются программируемыми контроллерами для настройки режимов работы и управления светофорными объектами.

Вот краткий перечень услуг предоставляемых ГК Спецтехника:

• Строительство
• Проектирование
• Продажа
• Установка
• Обслуживание
• Монтаж
• Ремонт

Мы создаем современные проекты светофорных объектов согласно всем ГОСТам, согласуем сметы, определяем необходимое устройство и комплектацию, осуществляем монтаж и эксплуатацию светофоров. Любое светофорное оборудование, которое можно купить у нас, имеет паспорт и сертификат.

СОСТАВ  КОМПЛЕКТА для управления светофоров Т1 и Т8 с помощью пульта ДУ.

— приемно-коммутационный блок 1 шт.;

— антенна 1 шт.;

— брелок-радиопередатчик 1 шт.;

— клеммная коробка 1 шт.

Подробнее: Радиоуправление светофорами

Светофор представляет собой монолитный пыле-влагозащищенный корпус, состоящий из трех секций: красного круга, зеленого круга и желтого круга с совмещенным 2-х позиционным индикатором обратного отсчета, выполненного белым цветом (по требованию, цвет цифр может быть изменен).

Подробнее: Светофор транспортный T1.II МИ

Табло обратного отсчета времени (ТООВ) красного и зеленого сигнала, предназначено для индикации оставшегося времени свечения зеленого и красного сигналов светофора для повышения безопасности дорожного движения, за счет передачи дополнительной информации о разрешающем и запрещающем сигнале транспортного светофора.

Подробнее: Табло обратного отсчёта времени

Подробнее: Автономный мобильный светофорный объект АМСО-2

Светофор Т. 4 предназначен для регулирования движения транспортных средств по отдельным полосам проезжей части с поочередным предоставлением права на движение в противоположном направлении посредством световых сигналов.

Подробнее: Светофор реверсивный Т.4

Светофоры пешеходные П1.1 и П1.2 с табло обратного отсчета времени (ТООВ) и устройством звукового сопровождения для слабослышащих пешеходов (УЗС) предназначены для обеспечения безопасного перехода пешеходами проезжей части, что обеспечивается индикацией времени ожидания перехода и звуковым сопровождением разрешающего сигнала светофора.

Подробнее: Светофоры пешеходные светодиодные П1.1(200мм), П1.2(300мм) с ТООВ и УЗС

Наряду с обычными светофорами без обратного отсчета времени, светофоры с ТООВ широко применяются на оживленных дорогах, улицах городов и автомагистралях.

Подробнее: Светофоры транспортные светодиодные Т1.1(200мм), Т1.2(300мм) с обратным отсчетом времени зеленого…

Светофоры трехсекционные горизонтальные/вертикальные. Предназначены для регулирования транспортных потоков на управляемых перекрестках городов и населенных пунктов.

Подробнее: Светофоры транспортные светодиодные Т1.1(200мм), Т1.2(300мм)

Пульт инженерный ПИ предназначен для программирования светофоров совмещенных с ТООВ и УЗСП.

Подробнее: Пульт программирования (переноса настроек) для пешеходного программируемого светофора П. 1.1 и П.1.2

Светофор пешеходный анимированный со встроенными табло обратного отсчета времени и устройством звукового сопровождения перехода предназначен для регулирования движения пешеходов с индикацией оставшегося времени свечения зеленого и красного сигналов светофора.

Подробнее: Светофор пешеходный П 2.2 (O300/300) анимированный с ТООВ

Светофор пешеходный анимированный со встроенными табло обратного отсчета времени и устройством звукового сопровождения перехода предназначен для регулирования движения пешеходов с индикацией оставшегося времени свечения зеленого и красного сигналов светофора.

Подробнее: Светофор пешеходный П 2.1 (O200/200) анимированный с ТООВ

Светодиодный транспортный светофор совместим с любым дорожным контроллером, соответствующим требованиям ГОСТ 34.401-90.

Подробнее: Светофор пешеходный П 2.1 (O 200/200)

Светодиодный транспортный светофор совмещенный с таблом обратного отсчета времени красного и зеленого сигнала, предназначенным для отображения желтого сигнала светофора, а так же индикации оставшегося времени свечения зеленого и красного сигналов светофора для повышения безопасности дорожного движения, за счет передачи дополнительной информации о разрешающем и запрещающем сигнале транспортного светофора.

Подробнее: Светофор транспортный Т 1.2 (O300/300/300) с ТООВ

Светодиодный транспортный светофор совместим с любым дорожным контроллером, соответствующим требованиям ГОСТ 34.401-90. Имеет встроенное табло обратного отсчета времени (ТООВ) в желтой секции светофора. ТООВ отображает оставшееся время действия зеленого и красного сигналов светофора соответственно цвету (Зеленые и красные цифры).

Подробнее: Светофор транспортный Т 1.2 (O300/300/300)

Проектирование светофоров в Москве компания ПраймКад

Мы предлагаем вам разработать проект для установки и монтажа светофора на лучших условиях:
— Реализуем срочные проекты!
— Работаем по Москве, МО и всей России!
— Безупречная репутация с 2013 года!
— Большой опыт в проектировании светофоров!
— Недорогая стоимость проекта светофорного объекта!

Звоните +7 (495) 649-60-82 или

Проектирование и установка светофора требуют тщательного изучения дорожной ситуации, определения оптимального режима работы устройства и обязательного согласования монтажных работ в ответственных инстанциях. Обращайтесь к нам за эффективными решениями!

Предоставляем следующие услуги по проектированию и строительству:

• Новые светофорные объекты
• Ремонт и реконструкция существующих светофорных объектов
• Временные светофорные объекты
• Проект и установка шлагбаума
• Светофорные объекты на промышленных территориях
• Светофорное регулирование на паркингах и стоянках (светофор на парковке)
• Автономные светофорные объекты
• Переоборудование и модернизация светофорных объектов
• Интеграция светофорных объектов в интеллектуальную систему
• Строительство светофорных объектов любой сложности

Примеры выполненных проектов:

1. Проект автоматизированной системы управления движением (АСУДД) на период эксплуатации (по постоянной схеме) в г. Москва, а именно: проект реконструкции светофорного объекта на пересечении улиц Проспект Мира – ул. Бориса Галушкина – ул. Касаткина.
2. Проект строительства светофорного объекта на автомобильной дороге общего пользования Федерального значения М-4 Дон в республике Дагестан. Необходимость светофора возникла в связи с частыми ДТП. 3. Переустройство светофорного объекта на период эксплуатации, объект находится в Московской области, Раменский район. Переустройство светофорного объекта необходимо в связи со сдачей в эксплуатацию жилого микрорайона и соответственно увеличение, а точнее возникновение пешеходных транспортных потоков в направлениях, которых ранее не было и которые необходимо регулировать. 4. Однолинейная схема энергоснабжения светофорного объекта. 5. Электрическая схема расключения светофорной группы. 6. Проект устройства временного светофорного объекта на период производства работ по реконструкции светофорного объекта, по адресу: Проспект Вернадского – Ломоносовский проспект. 7. Устройство светофорного объекта в Калужской области на автомобильной дороге общего пользования Федерального значения А-130 Варшавское шоссе. 8. Устройство светофорного объекта на автомобильной дороге общего пользования Федерального значения в Чеченской республике с переустройством существующего освещения проезжей части. Необходимость установки возникла в связи с частыми ДТП, по близости находится школа. Светофор обеспечивает безопасность участников дорожного движения школьного возраста. 9. Пример проекта бестраншейной прокладки кабельных линий под трамвайными путями. 10. Пример проекта бестраншейной прокладки кабельных линий под дорожным полотном.

• Разработка проектной документации на установку светофорного объекта на автомобильной дороге Москва-Малоярославец-Рославль-граница Белоруссии в Калужской области Скачать калуга со 2.pdf
• Устройство съездов на территории жилой застройки с автодорог Московской области Скачать асудд-02-02-2017.pdf

Что такое светофорный объект…

Очень часто никому нет дела до данной дорожной конструкции (светофор существует сам по себе в понимании большинства граждан), но сталкиваясь с ней очень тяжело найти ответы на возникшие вопросы. Мы постараемся разъяснить, что это и в каких случаях приходится взаимодействовать со светофорными объектами.

Если рассматривать глобально (на пример в г. Москве), то светофорный объект является частью большой интеллектуальной транспортной системы (ИТС) г. Москвы или как еще говорят автоматизированной системы управления дорожным движением (АСУДД). Группа светофорных объектов интегрируется в одну общую систему, которая анализирует дорожную обстановку посредством детекторов и камер видеонаблюдения и регулирует движение раздавая команды светофорным объектам или светофору, чем разгружает необходимое направление движения.

Если рассматривать отдельно каждый объект, будь то светофор на перекрестке либо светофор на регулируемом пешеходном переходе, то это система визуальных и звуковых сигналов (сам светофор и устройство звукового сопровождения) связанная через блок управления (дорожный контроллер), который по сути является электронно-вычислительной машиной ЭВМ или по-современному контроллер. Так же на светофорном объекте присутствует выносной пульт управления (ВПУ), для ручного управления светофорным объектом на случай выхода из строя компьютерного блока управления (дорожного контроллера). Каждый светофорный объект является частичкой автоматизированной системы управления дорожным движением (АСУДД) и так же является самостоятельной автономной рабочей единицей на случай сбоя системы или при отсутствии данной системы (светофор может работать как самостоятельно так и в системе).

Различные типы светофоров находят свое применение не только в условиях городских улиц – с их помощью осуществляется контроль транспортных потоков на промышленных территориях, в пределах горнодобывающих предприятий, крупных заводов, на открытых стоянках и подземных паркингах. Светофор очень плотно вошел в жизнь современного человека и стал неотъемлемой частью.

Когда возникает необходимость переноса или строительства светофорного объекта?

Очень часто производители работ в городской среде или на дорогах федерального значения сталкиваются с необходимостью знакомства со светофорным объектом, а именно с его устройством и проектированием. Необходимость в установке светофора возникает при сужении проезжей части при производстве работ (для создания реверсивного движения), в данном случае устанавливаются временные светофорные объекты на период производства работ. Либо при ограничении видимости на примыканиях и перекрестках, так же устанавливаются временные светофорные объекты, дабы избежать дорожно-транспортных происшествий. Очень часто производителям работ приходится перекладывать подземные коммуникации вблизи существующих светофорных объектов и перекрестков со светофорным регулированием, в данном случае возникает необходимость временного переустройства существующего светофора с последующим его восстановлением. Коротко говоря, ситуации бывают разные и ситуации непредсказуемые как, то возникновение необходимости регулирования дорожного движения по постоянной схеме или возникновение необходимости регулирования транспорта и пешеходов по временной схеме на период производства работ по строительству чего-либо (зданий, сооружений, подземных и надземных коммуникаций и конструкций). Необходимость строительства светофорного объекта по постоянной схеме возникает при частых ДТП на участке проезжей части.

Что необходимо сделать для строительства светофора

Прежде чем построить или установить светофор, необходимо убедиться в его необходимости, получить технические условия (техническое задание) на разработку проекта светофора, разработать проектную документацию учитывающую все нюансы дорожной обстановки и согласовать проект светофорного объекта в заинтересованных инстанциях. Только после проектирования возможно приступать к строительству данного участника дорожной жизни. Очень часто не приходится задаваться вопросом в необходимости установки светофора, часто просто выдают предписание для его установки, переноса, временного демонтажа. На основании данного предписания и происходит разработка проекта.

Что такое проект светофорного объекта

Проектирование и установка светофора требуют тщательного изучения дорожной ситуации, определения оптимального режима работы устройства светофора и обязательного согласования проектных решений и монтажных работ в ответственных инстанциях. Подобные методы регулировки трафика, с точки зрения простоты обслуживания и доступности, являются наиболее эффективными, что неоднократно было доказано на практике.

Проектирование светофоров осуществляется с обязательным учетом официальных требований, выдвигаемых Департаментом обеспечения дорожного движения, муниципальными службами и представителями государственной автомобильной инспекции, при этом также принимаются во внимание требования заказчика и особенности транспортной ситуации на месте будущих работ. С другой стороны, применяемые нами технические ресурсы позволяют получить полное представление о целесообразности установки светофора.

Светофорный проект состоит из нескольких обязательных разделов:

• Организация дорожного движения;
• Строительная часть;
• Электрическая часть;
• Конструктивная часть;

В индивидуальных случаях могут возникать побочные разделы, на пример:

• мероприятия по сохранности существующих коммуникаций;
• мероприятия по сохранности зеленых насаждений;
• мероприятия по сохранности памятников архитектуры;
• бестраншейная прокладка кабельных линий светофорного объекта;
• мероприятия по обеспечению освещенности светофорного объекта;

Количество разделов светофорного проекта в каждом случае индивидуально.

По сути проектирование светофорного регулирования является разработкой полноценного рабочего проекта для строительства светофорного объекта. При проектировании выполняются натурные обследования с изучением дорожной обстановки в течении 7 дней недели, выполняются инженерно – геодезические изыскания, происходит подбор несущих конструкций, оборудования, материалов, выполняется подбор строительных машин и механизмов необходимых для реализации проекта (для строительства светофора).

Строительство светофора (светофорного объекта)

Процесс строительства объектов такого типа является процессом полноценного строительное производства и включает в себя:

• Подготовительный период
• Земляные работы
• Бетонные работы
• Монтаж конструкций и оборудования
• Монтаж кабельных линий
• Подключение оборудования
• Пуско-наладочные работы
• Восстановление благоустройства
• Ввод объекта в эксплуатацию.

Сроки строительства светофора

Часто процесс такого строительного продукта длится не больше месяца, а иногда светофорный объект возможно смонтировать за одни сутки. И чаще всего данный строительный процесс происходит с колес (без организации строительной площадки и площадок складирования). Строительство светофорного объекта – полноценный строительный процесс, со своей спецификой. Очень важно при строительстве правильно выполнить установку опор и расключение оборудования. Установку опор для обеспечения видимости светофорного регулирования всеми участниками движения, а расключение для нормального функционирования высокоточного оборудования.

Мы специализируемся на проектировании светофорных объектов!
Проконсультируем подробнее! Обращайтесь!

Звоните +7 (495) 649-60-82 или оставляйте заявку на расчет проекта!

Светофорный объект типа Т.7 установили по улице Свердлова

10 апр. 2021 г., 16:02

В рамках реализации проекта по обеспечению безопасности на маршрутах движения школьников в Городском округе Подольск продолжается установка дополнительных светофоров типа Т.7. Так, в четверг, 8 апреля, новый светофорный объект ввели в эксплуатацию вблизи спортивного комплекса «Труд» и Дворца культуры «Октябрь» по улице Сердлова, 29 в Подольске.

Как рассказала начальник отдела эксплуатации и безопасности дорожного движения МКУ «Благоустройство и дорожное хозяйство» Елена Титова, в первоочередном порядке светофоры устанавливают вблизи детских образовательных и физкультурно-оздоровительных учреждений. Светофор предупреждает водителя о пешеходном переходе и необходимости скинуть скорость.

— 19 светофорных объектов по маршрутам следования школьников будут установлены на территории округа в этом году, — сказала Елена Титова. — Места установки выбираются специалистами Комитета по благоустройству, дорожному хозяйству и транспорту администрации округа, представителями ГИБДД, прорабатываются маршруты движения учащихся и школьных автобусов. В 2020 году вблизи учебных учреждений было установлено 23 светофора типа Т.7.

По словам Елены Титовой, всего на территории Городского округа Подольск установлено 54 светофорных объекта. Они призваны распределить потоки транспорта, а также обеспечить безопасность пешеходов и велосипедистов.

— В ближайшее время к установке светофорных объектов приступят на улицах Юбилейной, 26, 30, Свердлова, 50, Пионерской, 15 в Подольске, а также на улицах Революции, 4, Первомайской, 3 в Климовске и других. Работать полноценно новые светофорные объекты на участках улично-дорожной сети начнут в конце апреля.

Фото Кирилла Шутилина

Источник: http://inpodolsk.ru/novosti/aktualno/svetofornyy-obekt-tipa-t-7-ustanovili-po-ulice-sverdlova

светофорный объект — это… Что такое светофорный объект?

светофорный объект

3.10. светофорный объект: Группа светофоров, установленных на участке улично-дорожной сети, очередность движения по которому конфликтующих транспортных потоков или транспортных и пешеходных потоков регулируется светофорной сигнализацией.

1.1.4. Светофорный объект — группа светофоров, установленных на участке улично-дорожной сети, очередность движения по которому конфликтующих транспортных потоков или транспортных или пешеходных потоков, регулируется светофорной сигнализацией, а также дорожные знаки, входящие в состав объекта.

Словарь-справочник терминов нормативно-технической документации.
academic.ru.
2015.

• Светофорная установка
• светофоры в створе

Смотреть что такое «светофорный объект» в других словарях:

• ГОСТ Р 52289-2004: Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств — Терминология ГОСТ Р 52289 2004: Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств оригинал документа: 3.7. знак дополнительной информации… …   Словарь-справочник терминов нормативно-технической документации

• Распоряжение 272-РП: Об утверждении Регламента взаимодействия городских организаций и служб по вопросам проектирования, реконструкции, строительства и эксплуатации технических средств организации дорожного движения в городе Москве — Терминология Распоряжение 272 РП: Об утверждении Регламента взаимодействия городских организаций и служб по вопросам проектирования, реконструкции, строительства и эксплуатации технических средств организации дорожного движения в городе Москве: 1 …   Словарь-справочник терминов нормативно-технической документации

Светофоры для «умного» города

Ежегодно 5 августа во всем мире отмечают День светофора. Именно в этот день в 1914 году был установлен первый электрический светофор, предшественник современных устройств.


За прошедшие сто лет светофор очень изменился – сегодня он может удивить не только анимированными «человечками». Рассказываем о последних новинках «Швабе». Скоро эти светофоры станут частью систем «умного города», которые создаются холдингами Госкорпорации. 

Главный на дорогах

Со времен появления первого светофора транспортная система постоянно усложнялась. Сегодня светофоры являются частью большого набора средств контроля над транспортными потоками и все чаще включаются в интеллектуальную транспортную систему (ИТС), управляющую движением транспорта в городе с помощью инновационных технологий. 

В 2018 году холдинг Ростеха «Швабе» и Центр организации дорожного движения Москвы заключили пятилетний сервисный контракт на обеспечение бесперебойной работы интеллектуальной транспортной системы Москвы, регулирующей все транспортные потоки города. В ИТС входят десятки тысяч различных объектов: свыше 3,5 тыс. датчиков движения транспорта, порядка 2,7 тыс. камер телеобзора, около полусотни метеостанций, а также дорожные табло информации, системы связи и серверного оборудования. Но самым заметным тружеником ИТС, конечно, является светофор, без которого немыслимо представить городской трафик. В настоящее время в ведении «Швабе» находятся 44 тыс. столичных светофоров. 

Одно из главных преимуществ «Швабе» – собственные производственные мощности, развернутые по всей стране. Когда в сентябре 2015 года оптический холдинг Ростеха выиграл тендер на строительство новых и реконструкцию устаревших светофорных объектов в Москве, за первые шесть месяцев работы на улицах появилось более 6 тыс. новых светодиодных дорожных знаков и 60 светофоров. Вся техника была произведена Уральским оптико-механическим заводом им. Э.С. Яламова (УОМЗ), входящим в состав холдинга. «Швабе» продолжает не только обслуживать существующую систему, но и обновляет ее: за прошлый год на улично-дорожной сети столицы было заменено порядка 3,5 тыс. этих устройств. 

В линейке дорожных светофоров «Швабе» − более 15 моделей. Основа световых элементов устройств – светоизлучающие диоды на печатной плате. Использование светодиодов позволяет увеличить срок службы светофора и снизить его энергопотребление. Для изготовления корпуса и стекла применяется ударопрочный поликарбонат, выдерживающий перепады температур и стойкий к УФ-излучению. УОМЗ выпускает как отдельные светофоры для транспорта и пешеходов, так и совмещенные модели. Светофоры оснащаются обратным отсчетом времени и, при необходимости, устройствами звукового сопровождения.  

 

Новым технологиям − зеленый свет!

С годами светофоры меняются внутренне и внешне. Использование светодиодов позволило превратить сигнальные панели практически в экраны. Одну из таких моделей «Швабе» показал на выставке «Иннопром» еще в 2018 году. Такой светофор, помимо выполнения своих основных функций, транслирует на экране данные о пробках, погоде и дорожной ситуации. 

«Это новейшая транспортная система, которая с началом своего применения даст ощутимые результаты. Оптимизируется трафик, повысится уровень безопасности и удовлетворенности жителей городской средой. При этом важно, что заметно сократится потребление электроэнергии за счет использования энергосберегающих светодиодов», – рассказывал на выставке заместитель генерального директора «Швабе» Иван Ожгихин. 

«Швабе» также разработал «умные» светофорные объекты с адаптивным регулированием транспортных потоков и видеокамерами для фиксации правонарушений. Датчики, встраиваемые в дорожное полотно, оценивают загруженность перекрестка, информация передается светофору, который автоматически корректирует длительность фаз. Два таких объекта функционируют в Рыбинске. После установки модернизированных светофорных объектов пропускная способность перекрестков выросла на 15%, а число ДТП на них уменьшилось в шесть раз, при этом на оборудованных участках дорог не было зарегистрировано ни одного случая дорожно-транспортного травматизма. 

В 2019 году на «Иннопроме» Ростех представил светофор Visual Intelligent Control (VIC). Он разработан на УОМЗ и отличается гибким функционалом, высокой надежностью и ремонтопригодностью благодаря модульной конструкции. На то, чтобы добавить или заменить какой-либо модуль, требуется всего несколько минут. 

Одна из ключевых особенностей светофора VIC – лазерный блок, проецирующий в воздух заградительный сигнал для водителей. Со стороны это выглядит как ряды параллельных линий, которые с расстояния от 100 до 200 метров предупреждают о местоположении дорожной «зебры». Сигнал хорошо виден в темноте и тумане. 

Благодаря возможности оснащения дополнительными модулями VIC имеет широчайший набор функций. Среди них – видеокамера с возможностью анализа отснятой информации, метеостанция, экологический датчик параметров окружающей среды, точка доступа Wi-Fi, а также система оценки состояния дорожного покрытия. В недалеком будущем такие светофоры станут важной частью систем «умного города», которые создаются «Швабе» и другими холдингами Ростеха. 

Интеллектуальная транспортная система, частью которой является светофорная сеть, показала успешные результаты в Москве. Благодаря работе ИТС в столице смертность от ДТП снизилась до уровня 3,5 погибших на 100 тыс. человек и продолжает уменьшаться. Ростех готов применять московский опыт и внедрять «умные» технологии и в других городах России.

5 вещей, которые заставляют менять сигналы движения

Что заставляет менять сигналы светофора?

Зеленый.

Желтый.

Красный.

Зеленый…

Сигналы светофора — это интеллектуальные транспортные системы (ITS), разработанные для обеспечения безопасного пересечения проезжей части транспортных средств при сохранении эффективного транспортного потока. Для этого светофоры реагируют на присутствие транспортных средств и пешеходов, которых они направляют.

Хотя вы, вероятно, этого не замечаете, каждый вид транспорта взаимодействует со светофором по-своему.Вот пять основных триггеров светофора.

1. Автомобили легковые

Сигналы светофора на перекрестке Министерства транспорта и инфраструктуры «активированы», что означает, что транспортное средство подает сигнал, чтобы его свет загорелся зеленым, когда он проезжает «петлю» на дороге. Существуют различные системы обнаружения транспортных средств; Министерство использует провод, проложенный в тротуар и подключенный к контроллеру светофора.

Когда транспортное средство проезжает петлю, детектор дорожного контроллера определяет изменение электромагнитного поля, вызванное попаданием металла (из транспортного средства) в петлю.Начнется обратный отсчет, пока индикатор не загорится зеленым.

Большинство светофоров на основных автомагистралях используют комбинацию включенных и «фиксированных» светофоров. Это означает, что светофоры, обращенные к движущемуся по шоссе, будут стоять (или останавливаться) на зеленом, пока не будут активированы боковые уличные сигналы транспортным средством, проезжающим по кольцу. Это помогает поддерживать движение на шоссе.

2. Машины скорой помощи

Вы когда-нибудь замечали эти маленькие бело-синие огоньки на светофоре? Возможно, они не так много значат для вас, но они имеют значение для машин экстренной помощи.

Многие светофоры оснащены устройством упреждения аварийных транспортных средств, которое позволяет аварийным транспортным средствам активировать зеленый сигнал в том направлении, в котором они движутся. Наиболее распространенное упреждающее устройство министерства срабатывает при звуке сирены аварийного автомобиля. Вот тогда в игру вступают белый и синий свет.

Поскольку несколько машин экстренной помощи могут одновременно подъезжать к перекрестку с разных направлений, приоритет отдается одному направлению.Белый свет указывает на преимущественное право покупки в данном направлении движения, а синий свет указывает на то, что перекресток контролируется автомобилем экстренных служб, приближающимся с другого направления.

3. Пешеходы

На большинстве перекрестков имеются пешеходные «пешеходные» сигналы, указывающие, когда переходить дорогу безопасно. Пешеходы нажимают кнопку, которая отправляет сигнал диспетчеру, требующий зеленый свет в их направлении вместе с символом пешеходной прогулки.

Хотя для активации зеленого цвета на перекрестке может потребоваться время, светофоры на расширенных пешеходных переходах (как на изображении здесь) немедленно реагируют, активируя мигающие огни рядом с придорожными знаками и / или надземными пешеходными знаками. Это предупреждает встречный транспорт, чтобы он снизил скорость и уступил дорогу пешеходам.

4. Автобусы

У всех нас есть распорядок дня; но в дороге трудно найти более строгий график вождения, чем у водителя автобуса общественного транспорта.Пользователи общественного транспорта рассчитывают, что автобусы прибывают на остановки вовремя.

Предоставлено: автобусные полосы Buzzer

компании Translink — не единственное, что помогает автобусам поддерживать постоянный график движения — автобусы также имеют свой собственный светофор. Некоторые светофоры включают прямоугольный белый свет в самом верху, который позволяет автобусам проезжать перекресток впереди других транспортных средств. Помните те срабатывающие петли для легковых автомобилей, о которых мы упоминали ранее? Автобусы тоже есть; Единственная разница в том, что они покрывают большую площадь, поэтому небольшие транспортные средства не могут активировать сигнал.

5. Поезда

Вы когда-нибудь задумывались, как активируются железнодорожные переезды на проезжей части? Когда поезд приближается к переезду, он включает датчик, встроенный в рельсовый путь, который заставляет мигать огни переезда. Когда перекресток находится поблизости (если быть точным, в 60 метрах от путей), для ближайших к путям транспортных средств загорается зеленый свет, что позволяет этим транспортным средствам безопасно выезжать за пределы железнодорожного переезда. Огни железнодорожного переезда мигают не менее 24 секунд, после чего ворота медленно опускаются.Ворота полностью закрываются за пять секунд до прибытия поезда.

Итак, вот и все: светофоры по пяти направлениям меняют цвет с зеленого, желтого, красного и обратно на зеленый. Они довольно умные. В следующий раз, когда вы будете ждать на красный свет, не волнуйтесь, он знает, что вы там. Ты скоро вернешься в путь.

Если вам понравился этот блог, ознакомьтесь с другими популярными сообщениями:

Скрытый гений и влияние светофора

Увидеть его качание: трехглазая слепая летучая мышь, свисающая с проволоки.Или, возможно, там: на вершине столба, огни движутся сверху вниз — зеленый, желтый, красный, зеленый, желтый, красный — в неизменной последовательности. Двести лет назад это было бы чудом — что-то выставленное на Великой выставке 1851 года, на которое таращились бы викторианцы. Сегодня это видно, но не задумывается, проходит менее дюжины раз в день большинством из нас, влияя на то, как мы движемся, формируя наши города, искажая то, как мы путешествуем, а иногда, непреднамеренно, помогая нам убить. Рассмотрим светофор.

Есть ли что-нибудь более одинокое, чем одинокий светофор, мигающий на пустую дорогу? Это установительный выстрел, который кричит: отчаяние.Он играет на нашем страхе, что механический мир не заботится о нас и будет существовать еще долго после того, как мы уйдем. Светофору люди не нужны. И все еще.

Вот в чем дело: светофоры ничего не делают.

Они не могут — не могут — физически остановить вас. Они не врезаются в барьер, чтобы машины не проезжали перекресток, и опускают этот барьер, когда пора ехать. Они не помешают вам врезаться в несчастного пешехода на перекрестке.Нет, они всего лишь механическая опора, символ общественного договора, который мы согласовали (и прописали в законе). Они являются средством изменения поведения, и мы (в основном) подчиняемся.

#### Дэн Саффер

##### Около

Креативный директор [Smart Design] (http://smartdesignworldwide.com/), Дэн возглавляет команды по созданию новых парадигм взаимодействия в широком диапазоне продукты, как цифровые, так и физические. Он написал четыре книги по дизайну, включая его последнюю [Microinteractions] (http: // smartdesignworldwide.com / news / microinteractions-designing-with-details-by-dan-saffer /). Вы можете следить за ним в Твиттере по адресу [@odannyboy] (https://twitter.com/odannyboy).

Трудно представить себе технологию, столь широко применяемую, столь повсеместную, столь влиятельную и, да, такую ​​хорошо разработанную. Светофоры ежедневно используют миллиарды людей, даже неграмотные и необразованные. Огни предназначены для того, чтобы их можно было видеть даже средь бела дня, иногда с помощью козырьков или, в последнее время, ярких светодиодов, чтобы сделать их видимыми. Они могут быть нацелены на множество полос движения или только на одну, со специальными линзами Френеля, такими как те, что используются в маяках, чтобы сфокусировать свет на предполагаемом участке обзора и скрыть его от других полос движения.

Светофор превратился из немых электромеханических объектов в более интеллектуальные, объединенные в сеть, способные адаптироваться к окружающей среде сложными способами.

Гений желтого света

Изначально светофоров не было. Почти сорок лет мы ездили на машинах без них — не говоря уже о нескольких тысячелетиях, которые мы ездили на лошадях без света, или вообще о каком-либо контроле на перекрестках.
Когда в 1912 году Лестер Вайр изобрел уличные фонари в Солт-Лейк-Сити, у них не было желтых фонарей, только зеленый и красный, с зуммером, чтобы водители знали, что свет вот-вот изменится.Вскоре я понял, что это, вероятно, не лучшее решение, и поэтому родился желтый свет.

Красный, по крайней мере, на Западе, был цветом опасности, по крайней мере, с римлян. Зеленый как «иди» появился из-за сигналов железной дороги, будь прокляты дальтоники. Но желтый цвет увидеть легче всего. Это первый цвет, который может обнаружить ваш глаз, потому что физика: больше света отражается от ярких цветов, и, таким образом, желтый цвет стимулирует глаза.

Желтый свет — это, безусловно, самая сложная и познавательная часть любого светофора.Красный и зеленый свет должны были учитывать время, а именно: как долго одна сторона перекрестка должна оставаться зеленой, а другая — красной. Это создает «емкость» сигнала: сколько транспортных средств может проехать за одну смену света. Это, в свою очередь, создает (или нарушает) поток во всей транспортной сети города. Более длинные зеленые огни означают, что через перекресток проезжает больше автомобилей. Если один свет пропускает слишком много машин, на следующем светофоре могут возникнуть пробки из-за скопления машин.Вот как можно (частично) управлять трафиком: регулируя пропускную способность светофоров, пропуская большее или меньшее количество трафика.

Иногда остановиться действительно опаснее, чем включить желтый свет.

Желтый свет на самом деле не контролирует пропускную способность, но вместо этого создает эфемерную зону принятия решений вокруг перекрестка. Когда загорается желтый свет, находящиеся поблизости водители могут быстро сделать выбор: увеличивать скорость и проезжать через желтый свет или снижать скорость и останавливаться? Инструкторы по вождению, конечно, всегда будут говорить вам, что желтый свет означает сбавить скорость и приготовиться к остановке, но на улице это не всегда так.Иногда остановиться действительно опаснее, чем бежать по желтому. И иногда инструкторы по вождению правы: ездить по желтому — ужасная и опасная идея. Как узнать, что есть что?

Желтый свет обычно длится от трех до пяти секунд. Это означает, что когда он появляется примерно через секунду, вам нужно провести несколько интенсивных вычислений: как далеко вы находитесь от перекрестка, как быстро вы идете, насколько чистое перекресток, и, все чаще, существует ли камера, которая сфотографирует меня, бегущего на красный свет, если я ошибаюсь во времени? Этот момент — зона принятия решений.Неправильно угадывайте, и машины разбиваются, и люди могут получить травмы или умереть, как тысячи людей ежегодно.

nileshchopda / Traffic-Light-Detection-And-Color-Recognition: обнаружение светофора с использованием Tensorflow Object Detection API и Microsoft COCO Dataset

Обнаружение светофора с использованием API обнаружения объектов Tensorflow и набора данных Microsoft COCO

Введение

Люди могут легко обнаруживать и идентифицировать объекты, присутствующие в кадре изображения. Человеческая зрительная система работает быстро и точно и может выполнять сложные задачи, такие как идентификация нескольких объектов и обнаружение препятствий, без особого осознания и за меньшее время.Благодаря наличию больших объемов данных, более быстрых графических процессоров и улучшенных алгоритмов мы теперь можем легко обучить машины обнаруживать и классифицировать несколько объектов в изображении с высокой точностью.

С развитием технологий произошло быстрое развитие автономных транспортных средств и интеллектуальных автомобилей. Точное обнаружение и распознавание светофоров — важнейшая часть разработки таких автомобилей. Концепция предполагает, что автономные транспортные средства могут автоматически обнаруживать светофор с минимальным вмешательством человека.Автоматизация процесса обнаружения светофора в автомобилях также поможет снизить количество аварий, поскольку машины выполняют свою работу лучше, чем люди.

Рабочая стратегия

Эксперимент был реализован с использованием трансферного обучения предварительно обученных моделей Microsoft Common Objects in Context (COCO) и API обнаружения объектов Tensorflow. Набор данных COCO содержит изображения 90 классов , от птицы до бейсбольной биты. Все первые 14 классов связаны с транспортом, включая велосипед, автомобиль, автобус и т. Д.Идентификатор светофора — 10. Для классов, включенных в набор данных COCO, см. ‘mscoco_label_map.pbtxt’.

API обнаружения объектов

TensorFlow — это мощный инструмент, который упрощает создание, обучение и развертывание моделей обнаружения объектов. В большинстве случаев обучение всей сверточной сети с нуля занимает много времени и требует больших наборов данных. Эту проблему можно решить, используя преимущество трансферного обучения с предварительно обученной моделью с помощью TensorFlow API.Они выпустили различные модели обнаружения версий, обученные на наборе данных MS COCO, из которых я выбрал 2 модели для тестирования своего эксперимента. Выбор этих моделей основан на mAP, , средняя точность , которая показывает, насколько хорошо модель работает на набор данных COCO. Как правило, модели, вычисление которых занимает больше времени, работают лучше.

Как только объект обнаружен в кадре изображения, он обрезает изображение и извлекает только кадр объекта, который затем обрабатывается для распознавания доминирующего цвета в кадре объекта.Для этого эксперимента мы обнаружили красный и желтый цвета в рамке объектов, а не зеленый цвет. Причина обнаружения красного или желтого цвета заключается в том, что автомобиль должен останавливать движение всякий раз, когда на светофоре горит красный или желтый свет. Действие по умолчанию для этого Эксперимент — это действие «Иди».

Установка

Перед тем, как начать эксперимент, давайте разберемся с зависимостями, о которых нам нужно позаботиться перед установкой Tensorflow Object Detection API. Tensorflow Object Detection API зависит от следующих библиотек:

  питон3
Протобуф 3.0,0
Python-tk
Подушка 1.0
lxml
tf Slim (который включен в кассу "tensorflow / models / research /")
Блокнот Jupyter
Матплотлиб
Тензорный поток (> = 1.12.0)
Cython
contextlib2
кокоапи
  

Обычный пользователь может установить Tensorflow с помощью одной из следующих команд в зависимости от конфигурации оборудования:

  # для процессора
pip install tensorflow
# Для графического процессора (лучше всего работает на машинах с установленным графическим процессором nvidia)
pip установить tenorflow-gpu
  

Остальные библиотеки можно установить с помощью conda install или pip:

  pip install --user Cython
pip install --user contextlib2
pip install - пользовательская подушка
pip install --user lxml
pip install --user jupyter
pip install --user matplotlib
  

Установка COCO API

Загрузите cocoapi и установите его с помощью команды pip, указанной ниже:

  pip install git + https: // github.com / philferriere / cocoapi.git # подкаталог = PythonAPI
  

Установка / компиляция Protobuf

API обнаружения объектов Tensorflow использует Protobufs для настройки модели и параметров обучения. Перед использованием фреймворка необходимо загрузить и скомпилировать библиотеки Protobuf.

Это нужно делать следующим образом:

-Заголовок к выпускам протоколов, стр.

-Загрузите последнюю версию * -win32.zip (например, protoc-3.5.1-win32.zip)

-Создайте папку в C: \ Program Files и назовите ее Google Protobuf.

-Извлеките содержимое загруженного * -win32.zip внутри C: \ Program Files \ Google Protobuf

-Добавьте C: \ Program Files \ Google Protobuf \ bin в переменную среды Path

— В новой командной строке Anaconda / перейдите в каталог TensorFlow / models / research / и выполните следующую команду:

  # Изнутри TensorFlow / models / research /
для / f% i в ('dir / b object_detection \ protos \ *. proto') выполните protoc object_detection \ protos \% i --python_out =.
  

ПРИМЕЧАНИЕ. Вы ДОЛЖНЫ открыть новую Anaconda / командную строку, чтобы изменения в переменных среды вступили в силу.

Добавление необходимых переменных среды

-Поскольку Tensorflow \ models \ research \ object_detection является основным пакетом для обнаружения объектов, удобно добавить конкретную папку в наши переменные среды.

  В переменную среды PYTHONPATH (Настройка среды) необходимо добавить следующую папку:

 \ TensorFlow \ models \ research \ object_detection
  

ПРИМЕЧАНИЕ : Для разных операционных систем шаги установки различаются.Чтобы ознакомиться с подробными инструкциями по установке для вашей системы, см.
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md

Реализация кода

Перед тем, как начать работу с кодом, нам нужно импортировать важные библиотеки:

Импорт важных библиотек

  импортировать numpy как np
импорт ОС
импортировать six.moves.urllib как urllib
импортировать tarfile
импортировать тензорный поток как tf
из matplotlib импортировать pyplot как plt
из PIL импорта изображения
из пути импорта ОС
из утилит import label_map_util
из утилит импортируйте visualization_utils как vis_util
время импорта
импорт cv2
  

Функция определения красного и желтого цветов

Для определения цвета по обнаруженному объекту светофора кадр должен быть в замаскированной форме.Таким образом, мы преобразуем и замаскируем изображение красными и желтыми цветными масками. Здесь мы позволим машине выполнить действие «Остановить», как только она обнаружит, что область обнаруженного красного или желтого цвета превышает установленный порог, в противном случае по умолчанию выполняется действие «Стоп». для которого нам не нужно определять зеленый цвет. Итак, давайте напишем функцию для определения красного и желтого цвета на изображении:

  def detect_red_and_yellow (img, порог = 0,01):
    "" "
    обнаружить красный и желтый
    : param img:
    : param Порог:
    :возвращаться:
    "" "

    желаемый_dim = (30, 90) # ширина, высота
    img = cv2.изменить размер (np.array (img), желаемый_размер, интерполяция = cv2.INTER_LINEAR)
    img_hsv = cv2.cvtColor (img, cv2.COLOR_RGB2HSV)

    # нижняя маска (0-10)
    lower_red = np.array ([0, 70, 50])
    upper_red = np.array ([10, 255, 255])
    mask0 = cv2.inRange (img_hsv, lower_red, upper_red)

    # верхняя маска (170-180)
    lower_red1 = np.array ([170, 70, 50])
    upper_red1 = np.array ([180, 255, 255])
    маска1 = cv2.inRange (img_hsv, lower_red1, upper_red1)

    # определение диапазона желтого цвета
    нижний_желтый = нп.массив ([21, 39, 64])
    upper_yellow = np.array ([40, 255, 255])
    маска2 = cv2.inRange (img_hsv, нижний_желтый, верхний_желтый)

    # маска красных пикселей
    маска = маска0 + маска1 + маска2

    # Сравните процент красных значений
    rate = np.count_nonzero (маска) / (желаемый_размер [0] * желаемый_размер [1])

    если рейтинг> порог:
        вернуть True
    еще:
        вернуть ложь
        
  

Функция загрузки изображения в массив Numpy

Для обработки кадров изображения они должны быть в форме, понятной машинам.Таким образом, мы преобразуем кадр изображения в массив numpy и в дальнейшем будем использовать его для обработки и обнаружения светофоров. Функция преобразования изображения в массив numpy:

  def load_image_into_numpy_array (изображение):
    (im_width, im_height) = image.size
    вернуть np.array (image.getdata ()). reshape (
        (im_height, im_width, 3)). astype (np.uint8)
  

Функция чтения объектов светофора

Здесь мы напишем функцию для обнаружения объектов светофора и рамки объекта изображения для распознавания цвета внутри объекта.Мы создадим стоп-флаг, который будет использовать для выполнения действий в зависимости от распознанного цвета светофора. Этот флаг будет True для красного и желтого цветов и False в противном случае. Функция чтения объектов светофора:

  def read_traffic_lights_object (изображение, боксы, оценки, классы, max_boxes_to_draw = 20, min_score_thresh = 0,5,
                               traffic_ligth_label = 10):
    im_width, im_height = image.size
    stop_flag = Ложь
    для i в диапазоне (min (max_boxes_to_draw, box.shape [0])):
        если оценки [i]> min_score_thresh и классы [i] == traffic_ligth_label:
            ymin, xmin, ymax, xmax = кортеж (box [i] .tolist ())
            (слева, справа, сверху, снизу) = (xmin * im_width, xmax * im_width,
                                          ymin * im_height, ymax * im_height)
            crop_img = image.crop ((слева, сверху, справа, снизу))

            если detect_red_and_yellow (crop_img):
                stop_flag = Верно

    вернуть stop_flag
  

Функция для печати обнаруженного изображения

Для визуализации результатов мы построим исходное изображение вместе с блоками обнаруженных объектов, оценками и действиями, которые необходимо предпринять.Функция для построения обнаруженного изображения:

  def plot_origin_image (image_np, коробки, классы, оценки, category_index):
    # Размер выходных изображений.
    IMAGE_SIZE = (12, 8)
    vis_util.visualize_boxes_and_labels_on_image_array (
        image_np,
        np.squeeze (коробки),
        np.squeeze (классы) .astype (np.int32),
        np.squeeze (баллы),
        category_index,
        min_score_thresh = .5,
        use_normalized_coordinates = Верно,
        line_thickness = 3)
    plt.figure (figsize = IMAGE_SIZE)
    plt.imshow (image_np)

    # сохранять дополненные изображения на жесткий диск
    # plt.savefig ('output_images / ouput_' + str (idx) + '. png')
    plt.show ()
  

Функция обнаружения светофоров и распознавания цвета

Чтобы обнаруживать светофор и рисовать ограничивающие рамки вокруг светофоров, нам нужно указать пути к каталогам для тестовых изображений, модель, которая будет использоваться, файл графа замороженного обнаружения, карту Lapbel и т. Д. Эта функция будет обнаруживать светофоры и рисовать ограничивающие рамки вокруг них. Он также будет печатать Stop или Go на основе значений stop_flag.В случае обнаружения он изменит флаг команд на true.

  def detect_traffic_lights (PATH_TO_TEST_IMAGES_DIR, MODEL_NAME, Num_images, plot_flag = False):
    "" "
    Обнаружение светофоров и рисование ограничивающих рамок вокруг светофоров.
    : param PATH_TO_TEST_IMAGES_DIR: каталог тестовых изображений
    : param MODEL_NAME: имя модели, используемой в задаче
    : return: commands: True: go, False: stop
    "" "

    # -------- тестовые изображения ------
    TEST_IMAGE_PATHS = [os.path.join (PATH_TO_TEST_IMAGES_DIR, 'img_ {}.jpg'.format (i)) для i в диапазоне (1, Num_images + 1)]

    commands = []

    # Какую модель скачать
    MODEL_FILE = MODEL_NAME + '.tar.gz'
    DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'

    # Путь к замороженному графику обнаружения. Это реальная модель, которая используется для обнаружения объекта.
    PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'

    # Список строк, которые используются для добавления правильной метки для каждого поля.
    PATH_TO_LABELS = 'mscoco_label_map.pbtxt'

    # количество классов для набора данных COCO
    NUM_CLASSES = 90

    # -------- Скачать модель ----------
    если путь.isdir (MODEL_NAME) имеет значение False:
        opener = urllib.request.URLopener ()
        opener.retrieve (DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)
        tar_file = tarfile.open (MODEL_FILE)
        для файла в tar_file.getmembers ():
            имя_файла = os.path.basename (имя_файла)
            если 'frozen_inference_graph.pb' в имени_файла:
                tar_file.extract (файл, os.getcwd ())

    # -------- Загрузить (замороженную) модель Tensorflow в память
    обнаружение_граф = tf.Graph ()
    с детектированием_граф.as_default ():
        od_graph_def = tf.GraphDef ()
        с tf.gfile.GFile (PATH_TO_CKPT, 'rb') как fid:
            serialized_graph = fid.read ()
            od_graph_def.ParseFromString (сериализованный_граф)
            tf.import_graph_def (od_graph_def, имя = '')

    # --------- Загрузка карты надписей
    label_map = label_map_util.load_labelmap (PATH_TO_LABELS)
    категории = label_map_util.convert_label_map_to_categories (label_map,
                                                                max_num_classes = NUM_CLASSES,
                                                                use_display_name = True)
    category_index = label_map_util.create_category_index (категории)

    с помощью detect_graph.as_default ():
        с tf.Session (graph = detection_graph) в качестве сессии:
            # Определенные тензоры ввода и вывода для detect_graph
            image_tensor = обнаружение_граф.get_tensor_by_name ('image_tensor: 0')
            # Каждое поле представляет собой часть изображения, на которой был обнаружен конкретный объект.
            обнаружение_боксов = обнаружение_граф.get_tensor_by_name ('ящики_обнаружения: 0')
            # Каждая оценка отражает степень уверенности для каждого из объектов.# Оценка отображается на изображении результата вместе с меткой класса.
            обнаружение_счетов = обнаружение_графа.get_tensor_by_name ('обнаружение_счетов: 0')
            определение_классов = граф_обнаружения.get_tensor_by_name ('классы_обнаружения: 0')
            num_detections = граф_обнаружения.get_tensor_by_name ('num_detections: 0')

            для image_path в TEST_IMAGE_PATHS:
                image = Image.open (image_path)

                # представление изображения на основе массива будет использоваться позже для подготовки
                # результирующее изображение с рамками и этикетками.image_np = load_image_into_numpy_array (изображение)
                # Увеличьте размеры, так как модель ожидает, что изображения будут иметь форму: [1, None, None, 3]
                image_np_expanded = np.expand_dims (image_np, axis = 0)
                # Фактическое обнаружение.
                (коробки, баллы, классы, число) = sessions.run (
                    [блоки_обнаружения, оценки_обнаружения, классы_обнаружения, число_обнаружений],
                    feed_dict = {image_tensor: image_np_expanded})

                stop_flag = read_traffic_lights_object (изображение, np.squeeze (коробки), np.squeeze (оценки),
                                                       np.squeeze (классы) .astype (np.int32))
                если stop_flag:
                    # print ('{}: stop'.format (image_path)) # красный или желтый
                    commands.append (Ложь)
                    cv2.putText (image_np, 'Стоп', (15, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 1)
                еще:
                    # print ('{}: go'.format (путь_к_изображению))
                    commands.append (Истина)
                    cv2.putText (image_np, 'Go', (15, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 1)

                # Визуализация результатов обнаружения.
                если plot_flag:
                    plot_origin_image (image_np, коробки, классы, оценки, category_index)

    команды возврата
  

Обнаружение светофоров в каталоге test_images

Для обнаружения светофоров укажите количество изображений, путь к каталогу тестовых изображений и название модели. Здесь мы использовали модель «быстрее_rcnn_resnet101_coco_11_06_2017».См. В зоопарке моделей обнаружения список других моделей, которые можно запускать прямо из коробки с различными скоростями и точностью. Вы можете загрузить и выбрать модели в соответствии с вашими требованиями. Позволяет обнаруживать светофоры в каталоге test_images:

  если __name__ == "__main__":
    # Укажите количество изображений для обнаружения
    Num_images = 5

    # Укажите путь к тестовой директории
    PATH_TO_TEST_IMAGES_DIR = './test_images'

    # Укажите название загруженной модели
    # MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017' # для более быстрого обнаружения, но низкой точности
    MODEL_NAME = 'fast_rcnn_resnet101_coco_11_06_2017' # для повышения точности

    commands = detect_traffic_lights (PATH_TO_TEST_IMAGES_DIR, MODEL_NAME, Num_images, plot_flag = True)
    print (commands) # команды для печати типа действия, для 'Go' это вернет True, а для 'Stop' это вернет False

  

Результаты

Результат моделирования

Обучение пользовательских объектов

Поскольку Traffic Light — это один из классов, обучаемых с использованием Tensorflow Object Detection API и набора данных COCO от Micosoft, мы пропустили процесс обучения пользовательских моделей.Но если вы хотите обучать и обнаруживать настраиваемые объекты, вы можете обратиться к следующим руководствам по обучению классификатора обнаружения настраиваемых объектов:

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_pets.md

Ограничения

Этот проект был попыткой выполнить обнаружение объектов и распознавание цвета в наборе данных COCO. Полученную модель можно запускать непосредственно на небольших устройствах, таких как Raspberry Pi , с использованием формата TensorFlow Lite.Чтобы выполнять обнаружение объектов в реальном времени в потоке видео в реальном времени, машина должна быть оснащена оборудованием, способным быстро выполнять сложные вычисления. Этого можно достичь с помощью высокопроизводительного графического процессора, который имеет несколько ядер для выполнения параллельной обработки для обнаружения объектов.

Исследование будущего

Основная цель системы обнаружения объектов — заставить автономные транспортные средства интерпретировать окружающую среду и действовать лучше, чем люди. Самостоятельные автомобили быстро развиваются, поскольку мы видим невообразимые инновации в аппаратном, программном обеспечении и вычислительных возможностях.Но автомобили должны выполнять обнаружение объектов в режиме реального времени, чтобы быстро обнаруживать приближающиеся объекты и избегать их. Для высокой точности должно быть очень низкое время задержки, а это означает, что требуется очень высокая вычислительная и графическая мощность. Нам нужно будет повысить мощность наших процессоров, чтобы безопасно внедрить компьютерное зрение для автономных транспортных средств.

Однако нам также нужна очень точная модель, превышающая 99,9%, поскольку любые допущенные ошибки могут иметь катастрофические последствия и стоить человеческих жизней.Наши текущие модели еще не достигли такой высокой точности, и мы должны сгенерировать больше данных для обучения или разработать еще более совершенные модели. Существуют и другие лучшие модели для обнаружения объектов, такие как Faster-RCNN, но они все еще далеки от необходимой нам точности. Если мы сможем значительно улучшить обнаружение объектов, мы станем на один шаг ближе к беспилотным автомобилям и к более безопасному и удобному будущему.

Расширение пр.

Классификаторы обнаружения объектов

могут работать с несколькими объектами, поэтому я расширил объем проекта до наблюдения за трафиком и анализа видео: модели
, обученные на наборе данных COCO, имеют возможность обнаружения ~ 90 классов.Это можно использовать для обнаружения нескольких объектов в кадре изображения и выполнения анализа обнаруженных объектов. Анализ включает в себя количество обнаруженных объектов и их ограничивающие рамки. Этот тип проектов может быть полезен для эффективного управления трафиком. Вот пример, показывающий обнаружение нескольких объектов. объекты и их анализ.

Список литературы

https://github.com/nileshchopda/Traffic-Light-Detection-And-Color-Recognition

A gentle guide to deep learning object detection

https: // программное обеспечение.intel.com/en-us/articles/traffic-light-detection-using-the-tensorflow-object-detection-api
https://medium.com/comet-app/review-of-deep-learning-algorithms-for-object-detection-c1f3d437b852
https://towardsdatascience.com/evolution-of-object-detection-and-localization-algorithms-e241021d8bad

Надеюсь, вам понравилось чтение!

Обнаружение мелких объектов с использованием глубокого обучения

Обнаружение объектов было одной из фундаментальных проблем, которые пытается решить компьютерное зрение. Подходы глубокого обучения к таким наборам данных, как PASCAL VOC, MS COCO на основе R-CNN, Fast R-CNN, YOLO и несколько других подходов, являются новейшими в обнаружении объектов.Однако идентификация объектов, которые занимают менее 1% площади изображения, или , обнаружение малых объектов , по-прежнему остается проблемой, которую необходимо решить. Обнаружение мелких объектов представляет интерес для моделей восприятия транспортных средств, спутникового дистанционного зондирования и приложений наблюдения. В то время как традиционные предложения по объектам предлагают нам рассмотреть области размером {128,256} , такие подходы не могут обнаружить небольшие объекты. Один из альтернативных подходов может заключаться в рассмотрении предложений размера {16,25,32,45,64,90} и использовании сверхвысокого разрешения для ранжирования обнаружения объектов.Здесь мы кратко описываем проблему обнаружения небольших объектов в двух различных областях, их важность и возможный подход к их решению.

Обнаружение и распознавание светофора

При дорожном движении и погодных условиях обнаружение светофора превращается в обнаружение небольших объектов. Это ключевая проблема, с которой сталкиваются автономные транспортные средства, поскольку нарушение сигналов светофора может быть фатальным для пассажиров и других участников дорожного движения. Критическим аспектом сбоя при обнаружении светофора является неспособность машины пропустить все красные светофоры и идентифицировать хотя бы один из них как зеленый (ложное срабатывание).Следовательно, наша модель распознавания должна быть устойчивой к ложным срабатываниям, то есть с высокой точностью (идентификация красной подсветки как красного светофора не является критически важной, так как эго-транспортному средству необходимо будет замедлить движение для стационарного движения). Google предложил априорные карты для определения ориентации, комбинаций появления светофоров.

Обнаружение лиц для наблюдения

Источник: https://www.cs.cmu.edu/~peiyunh/tiny/

Обнаружение и распознавание лиц занимает огромный рынок приложений для наблюдения.Густонаселенные страны, такие как Китай, внедряют лицевую технологию, чтобы повысить социальный статус и назначить наказания за публичную угрозу своим гражданам. Однако представьте толпу на музыкальном концерте, где наблюдение имеет решающее значение. Сколько лиц может обнаружить модель обнаружения объектов с ограниченными камерами? Здесь нам на помощь приходит обнаружение мелких объектов. Мы обучаем модели в нескольких масштабах с помощью CNN и выполняем немаксимальное подавление, чтобы прийти к окончательному обнаружению.

Страница не найдена — Khoury College Development

В мире, где информатика (CS) присутствует повсюду, CS для всех.CS пересекает все дисциплины и отрасли.

Колледж компьютерных наук Хури стремится к созданию и развитию разнообразной инклюзивной среды.

Первый в стране колледж компьютерных наук, основанный в 1982 году, Khoury College вырос в размерах, разнообразии, образовательных программах и передовых исследовательских достижениях.

В наших региональных кампусах, расположенных в промышленных и технологических центрах, Khoury College предлагает сильные академические программы в ярких городах для жизни, работы и учебы.

Колледж Хури — это сообщество людей, посвятивших себя обучению, наставничеству, консультированию и поддержке студентов по каждой программе.

Программы награждения колледжей и университетов проливают свет на выдающихся преподавателей, студентов, выпускников и партнеров по отрасли.

Наши исследования в реальном мире, выдающиеся преподаватели, выдающиеся спикеры, динамичные выпускники и разнообразные студенты рассказывают свои истории и попадают в новости.

В колледже Хури обучение происходит в классе и за его пределами. Мероприятия в нашей сети кампусов обогащают образовательный опыт.

Информатика повсюду.Студенты колледжа Хури занимаются соответствующей работой, исследованиями, глобальными исследованиями и опытом оказания услуг, которые помогают им расти.

Студенты магистратуры углубляют свои знания благодаря проектной работе, профессиональному опыту работы и исследовательской работе.

Работа над исследованиями с преподавателями занимает центральное место в опыте докторантуры.Докторанты колледжа Хури также могут заниматься исследованиями вместе с партнерами по отрасли.

Преподаватели и студенты колледжа Хури проводят эффективную работу по различным дисциплинам. Обладая широтой областей исследований, мы каждый день решаем новые проблемы в сфере технологий.

Наши институты и исследовательские центры объединяют ведущих академических, промышленных и государственных партнеров, чтобы использовать возможности вычислений.

Исследовательские проекты, разработанные и возглавляемые преподавателями мирового класса Khoury College, привлекают студентов и других исследователей к получению новых знаний.

Исследовательские лаборатории и группы сосредотачиваются на наборе проблем в определенном контексте, предлагая исследования и сотрудничество.

Эта новая инициатива направлена ​​на устранение рисков для конфиденциальности и личных данных коллективными усилиями на низовом уровне с упором на прозрачность и подотчетность.

Современные помещения, бесшовные системы, инновационные лаборатории и помещения позволяют нашим преподавателям и студентам проводить передовые исследования.

Колледж Хури гордится нашим коллективным и инклюзивным сообществом. Каждый день мы стремимся создавать программы, которые приветствуют самых разных студентов в CS.

Более 20 компьютерных клубов в колледже Хури и Северо-Востоке предлагают что-то для каждого студента.Мы всегда рады новым членам на всех уровнях.

Студенты учатся в современных классах, конференц-залах для совместной работы, а также в ультрасовременных лабораториях и исследовательских центрах.

Сети обеспечивают безопасную и бесперебойную работу кода, современное и надежное оборудование, а наша квалифицированная системная команда управляет поддержкой и обновлениями.

Заинтригованы колледжем Хури и высшим образованием на северо-востоке? Начните здесь, чтобы увидеть общую картину — академические науки, экспериментальное обучение, студенческую жизнь и многое другое.

Готовы сделать следующий шаг в технической карьере? Наши магистерские программы сочетают академическую строгость, высокое качество исследований и значимые возможности для получения опыта.

Добро пожаловать в магистерскую программу Align, предназначенную для людей, готовых добавить информатику (CS) к своим навыкам или переключиться на новую карьеру в сфере технологий.

Будучи аспирантом Хури, вы погрузитесь в строгий учебный план, будете сотрудничать с известными преподавателями и окажете влияние в выбранной вами области исследования.

Где бы вы ни находились на пути бакалавриата Хури, у нас есть консультанты, ресурсы и возможности, которые помогут вам добиться успеха и сделать информатику для всех.

Где бы вы ни находились в аспирантуре Хури, наши консультанты, информационные ресурсы и возможности помогут вам выработать индивидуальный путь.

На любом этапе пути Align — и в любом из наших кампусов — консультанты, ресурсы и возможности Khoury поддержат ваш путь к карьере в сфере технологий.

Консультанты и преподаватели помогут вам сориентироваться в докторантуре в колледже Хури — от исследовательских пространств и междисциплинарных проектов до студенческой жизни и ресурсов.

Преподаватели и сотрудники вносят исключительный вклад в Колледж Хури — и в будущее информатики. Мы здесь, чтобы поддержать вас на каждом шагу.

(PDF) Интеллектуальная система светофоров, использующая обнаружение объектов и эволюционный алгоритм для уменьшения заторов на дорогах в Гонконге

S.-C. Нг и К.-П. Kwok / International Journal of Computational Intelligence Systems, in press 7

предсказал ограничивающую рамку и вычислил перекрывающуюся площадь двух ограничивающих рамок

. В таблице 4 показаны соответствующие результаты.

Средняя точность (AP) транспортного средства составила 56%, а для пешехода

— 15%. Причина того, что AP пешеходов приводит к низкой точности

, заключается в том, что прямоугольник

, ограничивающий как наземную истинность, так и предсказание, мал; следовательно, они должны иметь высокую частоту перекрытия —

ping.Кроме того, что касается больше о подсчете объектов, а не

, чем IoU в реализации. Результат соответствует ожиданиям

для ITLS с дальнейшими улучшениями.

5.2. Оценка эволюционного алгоритма

Результат эволюционного алгоритма уменьшает среднее время ожидания

транспортных средств и пешеходов.

На рисунке 6 показаны результаты каждого поколения эволюционного алгоритма

. Среднее время ожидания пешеходов и автомобилей

сокращалось с каждым поколением.Среднее время ожидания com-

, связавшего пешехода и транспортное средство, составило около 65,92 секунды в

первого поколения. Он стал ниже, примерно с 22,84 секунды

в десятом поколении. Общее среднее время ожидания было уменьшено

на 65% за счет использования эволюционного алгоритма в поиске оптимального набора

пороговых значений параметров.

Эволюционный алгоритм инициализировал родительский набор параметров и затем

вычислил соответствие среднего времени ожидания пешеходов

и транспортных средств.После этого процесс определил набор параметров

и рассчитал соответствие пороговых значений параметров. Когда

сравнил текущую пригодность с наилучшим значением пригодности, результат

оптимизировал выбор набора параметров в каждом поколении. ITLS

применил оптимальный набор пороговых значений параметров для моделирования условий трафика в часы пик и непиковые часы при управлении потоком трафика

.

6. ЗАКЛЮЧЕНИЕ

В данной статье была представлена ​​ITLS на основе машинного обучения с обнаружением объектов

и эволюционного алгоритма.Для анализа видеосъемки дорожного движения построена модель обнаружения объектов. На выходе получено

Таблица 3 Оптимальный набор пороговых значений параметров.

Значение параметра

Максимальное количество транспортных средств на перекрестке 12

Минимальное время, в течение которого сигнал зеленого цвета должен длиться 21

Максимальное время ожидания автомобиля на перекрестке 12

Максимальное количество пешеходов на перекрестке 11

Минимальное время нахождения пешехода зеленый сигнал должен длиться 40

Максимальное время ожидания пешехода на перекрестке 40

Срок для продления пешеходного мигающего зеленого сигнала

, когда пешеходы все еще переходят улицу 5

Таблица 4 Средняя точность (AP) транспортного средства и пешеход.

Точность AP (%)

0,5 IoU для автомобиля 56,78

0,5 IoU для пешехода 15,48

AP, средняя точность; IoU, пересечение над Союзом.

количество транспортных средств и пешеходов на видеозаписи. Моделирование

было построено для сравнения между ITLS и текущей системой аренды FCTL

. В него включены функции для повышения реалистичности моделирования

. Кроме того, был разработан эволюционный алгоритм

для оптимизации пороговых значений параметров и управления лучшим методом переключения сигналов светофора

для ITLS.Среднее время ожидания

пешеходов и транспортных средств было использовано при нахождении оптимального набора пороговых значений

с помощью эволюционного алгоритма. С использованием

ITLS было показано, что эффективность использования дороги была улучшена на

, и, следовательно, проблема заторов может быть уменьшена.

БЛАГОДАРНОСТИ

Авторы хотели бы выразить нашу огромную признательность г-ну Юи-Чунгу

Фунгу, г-ну Чун-Юнг Со и г-ну Юэн-Хо Ламу за сбор данных и

за выполнение экспериментов в рамках данной исследовательской работы.

ССЫЛКИ

[1] Ф. Геррини, Транспортные заторы обходятся американцам в 124 миллиарда долларов в год,

В отчете

говорится, Forbes, 2014.

[2] The Economist, Стоимость пробок, 2014. https: //

www.economist.com/blogs/economist-explains/2014/11/

объясняет экономист-1

[3] Д. Чарпин, DM Кайо, Загрязнение воздуха и нос при хронических респираторных заболеваниях

, Нос и носовые пазухи при респираторных заболеваниях —

заказов (Монография ERS), в: C.Bachert, A. Bourdin, P. Chanez

(ред.), Европейское респираторное общество, Шеффилд, Великобритания, 2017 г.,

стр. 162–176.

[4] Y. Hsieh, P. You, Эффективная схема кодирования для новой задачи маршрутизации нескольких посетителей музея типа

с обязательным просмотром и выбором-просмотром

выставочных залов, Int. J. Comput. Intell. Syst. 10 (2017), 677–689.

[5] Td.gov.hk, Транспортный отдел — интеллектуальные устройства для пожилых людей, использующие сигнальный пешеходный переход

, n.d. https://www.td.gov.hk/en/

smart_device / index.html

[6] C.K. Ли, К. Чан, С. Хо, Обзор системы светофоров

и ее обслуживания в Гонконге, в материалах Международной конференции по электротехнике

2014 г.,

Чеджу, Корея, 2014 г., стр. 15–19. https://www.emsd.gov.hk/

filemanager / Conferencepaper / en / upload / 55 / cnfrnc-paper-

20140615-19-1.pdf

[7] А. Стеванович, К. Кергай, PT Мартин, SCOOT и SCATS: более пристальный взгляд на их операции

, на 88-м ежегодном собрании TRB,

Transportation Research Board, Вашингтон, округ Колумбия, США, 2009.

[8] C.H. Ченг, Умные светофоры на Tai Tam Road

(участок плотины), CU Engineering, 2019. http: // cloud.

itsc.cuhk.edu.hk/enewsasp/app/article-details.aspx/

5BB75A736B42D708826F19533FFE0AF1 /

[9] A.R. Патак, М. Панди, С. Раутарай, Применение глубокого обучения —

для обнаружения объектов, Процедурные вычисления. Sci. 132 (2018),

1706–1717.

[10] А. Мария, Введение в моделирование и моделирование, в материалах 29-й конференции по зимнему моделированию, IEEE Computer

Society, Атланта, Джорджия, США, 1997, стр.7–13.

[11] С.Ф. Смит, Г.Дж. Барлоу, X.F. Се, З.Б. Рубинштейн, Surtrac: масштабируемое управление движением в городах

, на 92-м ежегодном заседании Совета по исследованиям транспорта

, Вашингтон, округ Колумбия, США, 2013.

Интеллектуальная система светофоров, использующая обнаружение объектов и эволюционный алгоритм для уменьшения заторов на дорогах в Гонконге

Получено 29 февраля 2020 г., принято 17 мая 2020 г., доступно онлайн 16 июня 2020 г.

1. ВВЕДЕНИЕ

В развитии города хорошая инфраструктура и управление дорогами позволят гражданам эффективно перемещаться из одного места в другое, особенно в часы пик, чтобы улучшить впечатления от путешествия и насладиться безопасным путешествием.Спроектировать интеллектуальную систему светофоров (ITLS), которая на 100% соответствует требованиям города, является критически сложной задачей для губернаторов и заинтересованных сторон.

Пробки на дорогах — серьезная проблема, затрагивающая не только граждан, но и снижающая интересы бизнеса. Хотя никакие статистические данные не отражают экономические потери от заторов на дорогах в Гонконге, но есть некоторые доказательства из Соединенных Штатов и европейских стран, что заторы на дорогах привели к серьезным экономическим потерям.В США в 2014 г. опубликован отчет [1] о том, что 124 миллиарда долларов США было израсходовано в год из-за заторов на дорогах. В Европейском Союзе заторы на дорогах обходятся примерно в 1% ВВП [2]. Это показывает, что заторы на дорогах приведут к огромным экономическим потерям.

Помимо экономической проблемы, пробки на дорогах нанесут вред здоровью людей. Хотя многие автомобили используют экологическое топливо, например сжиженный нефтяной газ, который выделяет меньше загрязняющих веществ, некоторые транспортные средства общественного транспорта, такие как автобусы, грузовики и другие тяжелые транспортные средства, используют дизельное топливо в качестве топлива, поэтому в атмосферу выбрасываются оксиды азота и большое количество твердых частиц.Эти загрязнители легко улавливаются в городах, потому что загрязненный воздух не может рассеиваться многими высокими зданиями и интенсивным использованием дорог. Следовательно, плохое качество воздуха вызывает множество заболеваний, в основном в дыхательной системе. Шарпен и Кайо [3] доказали, что PM2,5, оксиды азота и связанные с ними загрязнители вызывают у людей носовые аллергические реакции и легко усугубляют другие респираторные заболевания, такие как астма, риносинусит и болезнь среднего уха. Кроме того, психическое заболевание, такое как синдром дорожного стресса, может быть вызвано, когда люди оказываются в узком месте с длинными очередями.

Пробки на дорогах Гонконга — обычное дело. Однако, по сравнению с другими городами, система светофоров с фиксированным циклом движения (FCTL) в настоящее время используется уже много лет. Без учета условий дороги в реальном времени для поддержания подходящей организации движения пешеходы и транспортные средства обычно имеют конкурентоспособный статус при использовании поперечной стороны, поэтому легко могут возникнуть опасные ситуации, потому что они оба не хотят ждать на перекрестке. . Се и Ю [4] предложили схему применения эволюционного алгоритма в управлении порядком посетителей выставочных залов в музее.Схема успешно реализовала управление потоками в музее, чтобы все посетители были максимально удобными. Как и в случае с регулированием движения, транспортные средства могут рассматриваться как посетители, входящие в выставочный зал, а перекрестки — это выставочные залы, которые могут наилучшим образом управлять движением. Для уменьшения перегрузок на дорогах была разработана ITLS с применением алгоритма обнаружения объектов и эволюционного алгоритма. Классификация и определение ситуаций в реальном времени, снятых на камеру, установленную на стыках, осуществлялись путем обнаружения объектов.Данные были проанализированы, а затем выполнено стратегическое расположение светофоров с помощью эволюционного алгоритма, который направлен на сокращение времени ожидания транспортных средств и пешеходов на перекрестке для повышения эффективности использования дороги.

2. ОБЗОР ЛИТЕРАТУРЫ

2.1. Текущая ситуация с управлением дорожными сигналами в Гонконге

2.1.1. Светофор с фиксированным циклом

Система использует только фиксированное время цикла при переключении светофора на каждом перекрестке, которое не учитывает текущее состояние соответствующего перекрестка, например количество транспортных средств и пешеходов на перекрестке.И он не заботится об их потребностях, особенно о времени ожидания и времени прохождения. Даже правительство выполнило исследовательский проект о продлении времени пересечения для пожилых людей [5], результаты испытаний на месте могут не отражать фактические условия движения, поскольку почти из них размещены в старых районах или недостаточно насыщенных перекрестках.

2.1.2. АСУ ТП

Система управления дорожным движением (ATC) применяется в Гонконге с 1977 года и является первой компьютеризированной адаптивной системой управления дорожным движением [6].В системе были задействованы две различные технологии адаптивного управления движением, а именно, метод оптимизации смещения разбиения цикла (SCOOT) и Сиднейская координированная адаптивная система движения (SCATS) [7], в которой сигнал светофора контролировался путем определения количества транспортных средств и расчета их скорости, когда они прошли через детекторные петли, установленные на полосах движения транспортных средств. Затем данные передаются на сервер управления для настройки параметров адаптивного алгоритма управления, что приводит к оптимальной продолжительности зеленого света для освобождения транспортных средств, тем самым уменьшая заторы на дорогах.Тем не менее, система фокусируется на управлении транспортными средствами, проезжающими через перекресток, но жертвует преимуществами пешеходов, которые сокращают время перехода для пешеходов, что увеличивает риск для людей, пытающихся перейти дорогу, когда красный свет идет на пешеходов. Кроме того, Ref. [7] заявили, что SCOOT и SCATS не могут быстро реагировать на колебания движения на различных перекрестках.

2.1.3. Умная светофорная система

Интеллектуальная система светофоров, установленная для дороги Тай Там (участок плотины), была разработана и внедрена Ченгом и его исследовательской группой в Китайском университете Гонконга в 2018 году [8].Тип транспортного средства будет обнаружен с помощью восьми комплектов камер, установленных на уличных фонарях на Тай Там Роуд. Затем он рассчитает время зеленого сигнала в соответствии с данными, полученными всеми камерами, анализирующими дорожную очередь с каждой стороны плотины и наличие тяжелых транспортных средств в линии, что приводит к эффективному расположению света, чтобы избежать заторов на плотине. потому что конструкция плотины не может вместить два тяжелых автомобиля, таких как двухэтажный автобус и пожарную машину, параллельно.Эта система является пионером в Гонконге и применяет технологию видеоаналитики путем сбора данных о трафике в реальном времени для оптимизации управления трафиком. Он предоставляет много ценной информации другим исследователям для эффективной разработки адаптивной системы управления дорожным движением. На дороге Тай Там (участок плотины) существуют определенные условия движения, и меньше транспортных ситуаций возникает из-за отсутствия систем управления движением для выполнения оптимизации времени сигнала на перекрестках в городских округах, особенно в Центральном, Монг Коке и Цим Ша. Цуй в Гонконге.На основе доступных открытых данных, таких как камеры наблюдения, выходящие на улицу, и навигационные приложения, такие как функция просмотра улиц в Google Maps, можно в реальном времени определять количество транспортных средств и плотность пешеходов, ожидающих или переходящих дорогу на конкретном перекрестке. осуществленный. Эта информация более четко описывает условия движения на перекрестках дорог в режиме реального времени, что может быть полезным ресурсом для стимулирования разработки интеллектуального управления сигналами дорожного движения для городов.

2.2. Обзор современных технологий

2.2.1. Обнаружение объектов технологии машинного обучения

Из исх. [8], в которых обнаружение объектов применялось для классификации типа транспортного средства, когда транспортное средство проезжает через контрольно-пропускные пункты на Тай Там Роуд, обнаружение объекта применимо для определения типа объекта, а также определения его местоположения путем указания ограничивающей рамки вокруг него. Кроме того, он также представляет информацию об обнаруженном объекте на однажды классифицированном изображении [9].Следовательно, обнаружение объектов хорошо используется для обнаружения транспортных средств и пешеходов в реальных условиях путем установки камер на перекрестках.

2.2.2. Симулятор

Симуляция — это имитация модели, основанной на реальной системе. Имитационная модель может изменять различные параметры, а затем выполнять тестирование системы, строительство которой является дорогостоящим или сложным. Имитационная модель может использоваться для исследования различных состояний [10].

Среда моделирования может быть создана для демонстрации сценария с использованием нового приложения светофора, сравнивая его с текущей системой FCTL.Более того, с помощью нового приложения он может моделировать работу в различных условиях дорожного движения.

2.3. Обзор существующих решений

Смит и др. . [11] в 2013 году предложили масштабируемую систему управления городским движением, которая отслеживает количество транспортных средств в режиме реального времени путем установки детекторов на перекрестках путем сканирования датчиков, установленных в транспортных средствах. Собираются данные о дорожном движении, которые передаются в систему управления дорожным движением для создания запланированной схемы, а затем применяются к перекресткам.Чаван и др. . [12] предложил интеллектуальный контроллер светофора с использованием встроенной системы в 2009 году. Водитель получает предложения маршрута в качестве ссылки на пункт назначения блоком обработки, который соединяется с анализом данных о транспортном потоке, поступающих от набора датчиков перекрестков. Не [13] разработал интеллектуальную систему светофоров, использующую обнаружение объектов для определения количества транспортных средств на перекрестке с помощью камер. Затем настройте переключение светофора по результатам плотности трафика.Хотя эти системы работали хорошо, они отказались от других жизненно важных элементов, таких как точность обнаружения неправильной очереди транспортных средств контейнеровозом. Кроме того, они могут быть дорогостоящими, особенно в Ref. [11], необходимо установить дополнительный компонент на транспортных средствах, что означает, что система не может работать, если транспортные средства проезжают по дороге без установки датчиков.

Согласно приложениям в старом стиле, которые не могут удовлетворить требования в современных городах, Emami et al .[14] предположили, что технология машинного обучения — это способ решения проблемы. Применение к управлению трафиком повышает эффективность обработки большого количества данных, в то время как данные о дорожных условиях представляют собой наборы изображений. Кроме того, с помощью глубокого обучения можно получить более точную информацию, такую ​​как тип и скорость транспортного средства. Нечеткие экспертные системы представлены Хави и др. . [15] в 2015 году, и они заявили, что контроллер нечеткой логики, предложенный Khiang и др. .путем реализации нечеткой логики, начатой ​​Заде [16]. Фахми [17] представил другую систему под названием FLATSC, в которой время ожидания использовалось в качестве критерия при управлении круговыми перекрестками с четырьмя перекрестками. Кроме того, Хави и др. . также продемонстрировали беспроводные сенсорные сети, предложенные Yousef и др. . [18] в 2010 г., что данные о дорожном движении распределяются между перекрестками для оптимизации транспортного потока. Несмотря на то, что нечеткая логика и беспроводные технологии широко используются в решении проблем такого типа, основная проблема так и не решена.То есть для поддержания обнаружения требуются датчики; следовательно, потребуются гораздо большие затраты из-за хорошо развитой транспортной сети, такой как Гонконг. Кроме того, для обмена данными между перекрестками также необходима огромная мощность для поддержки обмена данными.

Несмотря на то, что в Гонконге тестирование на объекте может быть запрещено, моделирование может виртуально работать в различных условиях, что не повлияет на реальный трафик, особенно в районах с интенсивным движением.Симулятор SUMO [19] применяется для генерации фактического сценария в Mong Kok. Создает дорожную карту по онлайн-картам. Затем создается транспортный поток, который импортируется в симулятор. Хотя SUMO может очень хорошо генерировать поток трафика, он не может удовлетворить потребности этого документа. Однажды созданная карта движения не может быть изменена, поэтому существует препятствие для изменения дороги в соответствии с быстрым строительством или вводом новых объектов.

Таким образом, датчики часто используются в различных решениях для определения условий дорожного движения.Однако ограниченный сбор данных и обслуживание этих устройств усложняются [13]. Улучшая контроль трафика, технология обнаружения объектов становится более гибкой и практичной.

3. МЕТОДОЛОГИЯ

3.1. Обзор методологии

В этом документе применяется методология тестирования сборки для проектирования решения и оценки. Для проектирования решения разработана система интеллектуального светофора для автоматического управления сигналом светофора на основе машинного обучения с распознаванием объектов по количеству транспортных средств и пешеходов, проезжающих через перекресток дорог в Гонконге.

Для оценочного проекта моделирование продемонстрировало сравнение между текущей системой FCTL и предлагаемой ITLS.

3.2. Дизайн решения

На рисунке 1 показано пять компонентов конструкции. Видео для различных условий движения были сняты на перекрестке. Приложение для обнаружения объектов проанализировало видеозаписи. Данные проанализированных видеоматериалов были использованы для построения моделей дорожного движения. Модели движения использовались для моделирования ситуации, так что текущая система FCTL и предлагаемая ITLS были реализованы на перекрестке.Наконец, моделирование визуально отображало модели трафика.

Рисунок 1

Товарная схема системы.

3.3. Видео о дорожной обстановке

Видео для различных условий движения были записаны в качестве источников для приложения обнаружения объектов. Камеры были установлены в местах, где хорошо виден транспортный поток на перекрестке. Отснятый материал использовался для приложений обнаружения объектов.

3.4. Приложение для обнаружения объектов

В системе применяется технология обнаружения объектов с использованием Tensorflow [20] для анализа видеозаписи.Как показано на рисунке 2, система может распознать тип объекта, появившегося в видеоряде. Его можно использовать для расчета количества транспортных средств и пешеходов возле перекрестка за определенный период времени.

3,5. Модель движения FCTL

Эта модель движения имитировала транспортный поток текущего FCTL на перекрестке. После моделирования модель дорожного движения сгенерировала среднее время ожидания пешеходов и транспортных средств на перекрестке. Данные были сохранены для разработки и тестирования алгоритмов.

3,6. Модель интеллектуального светофора

Перекресток был смоделирован с помощью ITLS. Моделирование было основано на количестве пешеходов и транспортных средств, оцененных с помощью приложения для обнаружения объектов. Сигнал светофора будет переключаться динамически из-за различных условий движения. Эта модель движения направлена ​​на повышение эффективности системы светофоров, используемых в настоящее время в Гонконге.

3,7. Симулятор

Приложение pygame визуально моделирует вышеуказанные модели трафика.Он использовал данные о моделях трафика для построения симуляции, которая визуализировала концепцию светофорной системы, как показано на рисунке 3.

Рис. 3 Симулятор Pygame

, представляющий транспортный поток на перекрестке.

Было несколько функций, чтобы улучшить реалистичную ситуацию модели трафика:

• Количество пешеходов и транспортных средств было установлено в соответствии с выходными данными приложения для обнаружения объектов.

• Метод переключения сигналов светофора основан на анализируемых данных с видеозаписи.

• Дорожная карта была нарисована в соответствии с фактическим перекрестком на улице Принца Эдуарда в Коулуне, Гонконг.

• Скорость движения пешеходов и транспортных средств смоделирована для реальной ситуации. Также была вероятность того, что человек будет ходить медленнее, чем в среднем, чтобы имитировать движения пожилых людей.

• Движение автотранспорта. Автомобиль замедлился, если он приблизился к движущемуся впереди автомобилю. Транспортное средство остановилось либо светофор красный, либо был вынужден остановиться, когда был обнаружен барьер, например, другой автомобиль или пешеход был обнаружен спереди от него.

• На перекрестке стояли машины разных типов.

3.8. Детальный проект алгоритмов

Алгоритмы управления светофором показаны на рисунках 4 и 5. Рисунок 4 показывает структуру алгоритма ITLS. На рисунке 5 показана текущая система FCTL, используемая в Гонконге. Условия определяют поток интеллектуального переключения светофора. «Порог» на рисунке — это пороговые значения параметров ITLS. Эти пороговые значения параметров определяют, как световые сигналы переключались в зависимости от различных ситуаций.

Рисунок 4

Потоки переключения сигналов в интеллектуальной системе светофора (ITLS).

Рисунок 5

Потоки переключения сигналов в светофоре с фиксированным циклом (FCTL).

Пороги параметров были

• carMaxNumAtJunction — максимальное количество автомобилей на перекрестке.

• carLightGreenMinTime — минимальное время, в течение которого должен длиться зеленый сигнал транспортного средства.

• carMaxWaitingtimeAtJunction — максимальное время ожидания транспортного средства на перекрестке.

• pedMaxNumAtJunction — максимальное количество пешеходов на перекрестке.

• pedLightGreenMinTime — минимальное время действия зеленого сигнала пешехода.

• pedMaxWaitingtimeAtJunction — максимальное время ожидания пешехода на перекрестке.

• pedLightFlashLongerTime — Ограничение по времени для продления мигающего зеленого сигнала пешехода, когда пешеходы еще переходят улицу.

Сигнал светофора по умолчанию для транспортных средств и пешеходов был зеленым и красным соответственно.Когда значение входных параметров было выше пороговых значений, срабатывают сигналы светофора для изменения. За три секунды светофор транспортного средства изменил цвет с зеленого на желтый и с желтого на красный, чтобы пешеходы могли переходить дорогу, переключив красный пешеходный свет на зеленый.

Время перехода пешеходов также основывалось на параметрах. Прежде чем пешеходный светофор станет мигать зеленым, система будет продолжать проверять, меньше ли очередь транспортных средств порогового значения или количество ожидающих пешеходов больше порогового значения, тогда время зеленого пешеходного светофора будет увеличено.В противном случае светофор для пешеходов станет мигать зеленым.

Пока зеленый пешеходный светофор расширяется, система будет продолжать проверять, не превышает ли очередь транспортных средств пороговое значение, пешеходный светофор сразу же переходит в мигающий зеленый цвет, позволяя транспортным средствам двигаться быстрее.

Эволюционный алгоритм используется для поиска наилучшего набора пороговых значений параметров для системы с целью повышения производительности ITLS.

Перед использованием эволюционного алгоритма была построена регрессионная модель для прогнозирования результатов симулятора на основе набора параметров.Несколько прогонов моделирования показали среднее время ожидания пешеходов и транспортных средств. Данные моделирования использовались для обучения регрессионной модели для прогнозирования результатов моделирования, когда ITLS был реализован с различными наборами пороговых значений параметров.

После того, как регрессионная модель была построена, эволюционный алгоритм был использован для поиска оптимального набора пороговых значений параметров для достижения наилучшей пригодности с минимальным средним временем ожидания пешеходов и транспортных средств.

Наилучший параметр, установленный эволюционным алгоритмом, будет определяться следующими шагами:

1. Произвольно сгенерируйте набор пороговых значений параметров (как указано в разделе 3.8) для транспортных средств и пешеходов в качестве исходных значений.

2. Оцените приспособленность по среднему времени ожидания транспортных средств и пешеходов, используя коэффициент параметра. Каждый коэффициент является весовым коэффициентом для параметра, а значение устанавливается в диапазоне в соответствии с фактическими условиями на стыке.

3. Суммируйте все частичные значения периода ожидания различных пешеходов и транспортных средств, чтобы получить время ожидания для транспортных средств и пешеходов.

4. Сравните новое значение с текущим лучшим значением времени ожидания (пригодности), затем выберите набор параметров с целью минимизировать приспособленность.

5. Повторите шаги 2–4 для различных условий на перекрестке, чтобы выполнить подходящую тренировку.

4. РЕЗУЛЬТАТ ВЫПОЛНЕНИЯ

Целью ITLS было найти решение для уменьшения загруженности дорог в Гонконге. Результат внедрения ITLS представлен в этом разделе.Он используется для оценки эффективности ITLS в повышении эффективности использования дорог.

Для оценки модели было записано несколько видеороликов о дорожной обстановке, включая периоды непиковой и пиковой нагрузки. Каждое видео записывало состояние дорожного движения на перекрестке между Prince Edward Road West и Embankment Road в Гонконге в течение одного часа для проведения моделирования.

Результаты представляли собой сравнение моделирования, в котором используется ITLS для управления движением, и система FCTL.Если ITLS сократила время ожидания автомобилей и пешеходов на перекрестках, эффективность использования дорожного пространства повысилась. Моделирование с использованием ITLS для управления регулярными часами движения проводилось много раз. Результаты изложены в разделах 4.1 и 4.2.

4.1. Результаты непиковых часов движения

В Гонконге непиковые часы трафика считаются периодами с 10:00 до 17:00 и с 20:00 до 07:00 (следующего дня) в рабочие дни.

В таблице 1 показаны результаты моделирования 4 тестовых примеров с разными временными интервалами.Благодаря применению ITLS в часы непиковой нагрузки среднее время ожидания для всех участников дорожного движения во всех случаях сократилось с 50 до менее 30 секунд. В нем отражено, что эффективность пропускной способности дороги может быть увеличена с 44% до более 60% с помощью ITLS. Тестовые случаи 2 и 3 привели к более низкому приросту эффективности, потому что случай 2 приходится на обеденный перерыв, когда на дороге, вероятно, больше пешеходов и транспортных средств. Причем время приближается к времени пригородных поездов и времени прекращения движения грузовиков для доставки грузов.

Таблица 1

Результаты моделирования в часы непиковой нагрузки.

4.2. Результаты часов максимальной загрузки

Пиковые часы — это периоды с 07:00 до 10:00 и с 17:00 до 20:00 в рабочие дни.

В таблице 2 приведены результаты моделирования 4 периодов пиковой нагрузки в рабочие дни.Поскольку в часы пик на перекрестке дорог находится много автомобилей и пешеходов. ITLS значительно сократила общее время ожидания участников дорожного движения. Общая эффективность (с точки зрения сокращения общего времени ожидания) была увеличена с 54% до 57% для всех четырех случаев. Это отразило, что пропускная способность на перекрестке значительно увеличилась.

Таблица 2 Результаты моделирования

в часы пиковой нагрузки.

По результатам, полученным с помощью эволюционного алгоритма, показанного на рисунке 6, наблюдается тенденция к снижению среднего времени ожидания транспортных средств и пешеходов на перекрестке после каждого поколения эволюционного алгоритма.Общее время ожидания сократилось с 44% до более 60% с оптимальным набором пороговых значений параметров, который удовлетворяет требованиям как для пиковых, так и для непиковых часов.

Рисунок 6

Прогресс эволюционных алгоритмов.

4.3. Оптимальный набор пороговых значений параметров

С использованием эволюционного алгоритма найден оптимальный набор пороговых значений параметров. Оптимальный набор работал как в часы пик, так и в часы непиковой нагрузки. Результаты показали, что даже водители или пешеходы ожидали в часы пик, время ожидания было близко к времени в часы непикового движения.В результате система повысила эффективность при переходе дороги или светофора.

При использовании оптимального набора параметров среднее время ожидания водителей составляло около 10 секунд, а среднее время ожидания пешеходов составляло около 13 секунд в часы непиковой нагрузки.

Среднее время ожидания водителей составляло около 10,81 секунды, а среднее время ожидания пешеходов составляло около 14 секунд в часы пиковой нагрузки.

По результатам моделирования был определен оптимальный набор пороговых значений параметров, как указано в таблице 3.

Таблица 3

Оптимальный набор пороговых значений параметров.

5. ОЦЕНКА

5.1. Оценка модели обнаружения объектов

Набор данных был разделен на обучающий набор и тестовый набор для оценки. Пересечение над союзом (IoU) было применено для определения точности. Мы сослались на фактическую ограничивающую рамку и предсказанную ограничивающую рамку и вычислили площадь перекрытия двух ограничивающих рамок. В таблице 4 показаны соответствующие результаты.

Таблица 4

Средняя точность (AP) транспортного средства и пешехода.

Средняя точность (AP) транспортного средства составила 56%, а для пешехода — 15%. Причина того, что AP пешеходов приводит к низкой точности, заключается в том, что ограничивающая рамка как наземной достоверности, так и предсказания является малой; следовательно, они сталкиваются с проблемой высокого уровня перекрытия. Также, что касается подсчета объектов, а не IoU в реализации.Результат соответствует ожиданиям ITLS с дальнейшими улучшениями.

5.2. Оценка эволюционного алгоритма

Результат эволюционного алгоритма сокращает среднее время ожидания транспортных средств и пешеходов.

На рисунке 6 показаны результаты каждого поколения эволюционного алгоритма. Среднее время ожидания пешеходов и транспортных средств сокращалось с каждым поколением. Среднее время ожидания при совместном использовании пешехода и транспортного средства составило около 65.92 секунды в первом поколении. Он стал ниже, примерно с 22,84 секунды в десятом поколении. Общее среднее время ожидания было сокращено на 65% за счет использования эволюционного алгоритма поиска оптимального набора пороговых значений параметров.

Эволюционный алгоритм инициализировал родительский набор параметров, а затем рассчитал соответствие среднего времени ожидания пешеходов и транспортных средств. После этого процесс определил набор параметров и рассчитал соответствие пороговых значений параметров.При сравнении текущей пригодности с наилучшим значением пригодности результат оптимизировал выбор набора параметров в каждом поколении. ITLS применила оптимальный набор пороговых значений параметров для моделирования условий движения в часы пик и непиковые часы при управлении потоком трафика.

6. ЗАКЛЮЧЕНИЕ

В этой статье была представлена ​​ITLS на основе машинного обучения с обнаружением объектов и эволюционного алгоритма. Модель обнаружения объектов была построена для анализа видеозаписей дорожного движения.Он вывел количество автомобилей и пешеходов на видеозаписи. Моделирование было построено для сравнения между ITLS и текущей системой FCTL. В него включены функции для повышения реалистичности симуляции. Кроме того, был разработан эволюционный алгоритм для оптимизации пороговых значений параметров и управления лучшим методом переключения сигналов светофора для ITLS. Среднее время ожидания пешеходов и транспортных средств использовалось при нахождении оптимального набора пороговых значений с помощью эволюционного алгоритма.С использованием ITLS было показано, что эффективность использования дороги была улучшена, и, следовательно, проблема заторов может быть уменьшена.

КОНФЛИКТ ИНТЕРЕСОВ

Авторы не сообщали о потенциальном конфликте интересов.

ВКЛАД АВТОРОВ

Компания

Ng разработала и выполнила эксперименты, построила модели и проанализировала данные. Квок подвел итоги и написал рукопись после консультации с Нг.

Отчет о финансировании

Этот проект не содержит финансовой поддержки.

БЛАГОДАРНОСТИ

Авторы хотели бы выразить нашу огромную признательность г-ну Юи-Чунг Фунгу, г-ну Чун-Юнг Со и г-ну Юн-Хо Ламу за сбор данных и проведение экспериментов в рамках этой исследовательской работы.

СПИСОК ЛИТЕРАТУРЫ

1.F. Геррини, «Пробки на дорогах обходятся американцам в 124 миллиарда долларов в год», — говорится в отчете Forbes, 2014. 3.D. Шарпен и Д. Кайо, Загрязнение воздуха и нос при хронических респираторных заболеваниях, К. Бахер, А. Бурден и П. Шанез (редакторы), Нос и носовые пазухи при респираторных заболеваниях (монография ERS), Европейское респираторное общество, Шеффилд, Великобритания, 2017, стр.162-176. 7.А. Стеванович, К. Кергай и П.Т. Мартин, SCOOT и SCATS: более пристальный взгляд на их операции, на 88-м ежегодном собрании TRB, Транспортный исследовательский совет (Вашингтон, округ Колумбия, США), 2009. 14.P. Эмами, А. Рангараджан, С. Ранка и Л. Элефтериаду, Машинное обучение для интеллектуальных транспортных систем, на семинаре студентов Института информатики UF по анализу данных (Флорида, США), 2018. 19.M. Бериш, Л. Бикер, Дж. Эрдманн и Д. Крайзевич, SUMO-Моделирование городской мобильности: обзор, Think-Mind, in Proceedings of SIMUL 2011, Третья международная конференция по достижениям в системном моделировании (Барселона, Испания), 2011 г.

alexxlab