一种道路交织区交通状态优化方法及系统技术方案

本发明专利技术公开了一种道路交织区交通状态优化方法及系统，涉及道路优化技术领域，该方法包括：采集城市快速交织区段的视频图像数据，对视频图像数据中的车辆目标和轨迹进行人工标定，从而建立车辆目标和轨迹识别的数据集，根据数据集构建YOLO车辆目标和轨迹识别检测模型，将待检测的视频图像数据输入至YOLO车辆目标和轨迹识别检测模型中，将检测结果输入到SUMO交通仿真软件中进行跟驰换道模型的标定，通过在SUMO交通仿真场景中设定强化学习环境以及道路渠道化，获得所有车辆的驾驶轨迹、基本驾驶参数以及交织区整体的交通运行状态；通过基于强化学习和道路渠化的城市快速路交织区交通效率优化方法来对目标交织区进行交通流优化。流优化。流优化。

【技术实现步骤摘要】
一种道路交织区交通状态优化方法及系统


[0001]本专利技术涉及道路优化
，具体涉及一种道路交织区交通状态优化方法及系统。

技术介绍

[0002]随着城市化进程的不断加快，城市交通拥堵问题也愈发突出。作为城市交通的重要组成部分，城市快速路的主要功能是确保车辆在城市中快速、顺畅地行驶，但随着交通量的迅速增加，城市快速路上的交通拥堵问题，特别是在交织区域，已经变得严重。交织区域是指几个不同的交通流在同一总体方向上交叉而不使用任何交通控制装置的道路路段。由于城市用地的限制，城市快速路上的入口和出口之间的距离通常很短，导致明显的交织现象和显著的效率降低。
[0003]现有的城市快速路交织区交通状态优化主要有以下两种：道路渠化、匝道控制等。
[0004]城市快速路上的渠化通常使用道路路面上的交通线标记将不同的车道根据交通量或方向分开，以使不同路线和速度的车辆可以按照规定方向行驶而不会互相干扰，就像水在通道中流动一样。渠化可以有效地有序组织交通流通过交织区域，减少交通冲突，并最大限度地利用道路资源。合理的具有连续性和封闭性的分道可以更好地缓解交通拥堵并降低碰撞风险。
[0005]匝道控制是指使用信号控制方法限制车辆从城市快速路匝道进入主车道的数量。ALINEA(即自动公路输入线性控制)是一种著名的简单反馈环控制器，用于匝道计量控制方法，其理论已被证明在适当的交通状态下有效地减少了旅行时间和增加了车辆速度。在调查交通需求水平、队列溢出处理策略和下游瓶颈条件对ALINEA性能的影响后，发现ALINEA可以增加交通容量，但会造成更多的旅行和等待次数。随着机器学习的快速发展，许多智能算法，特别是强化学习，已应用于匝道控制。
[0006]在实际应用中，上述各种城市快速路交织区交通流优化方法无法满足道路城市快速路交织区通行的实用性，或者效率低下，导致优化不足或引发其他问题。

技术实现思路

[0007]针对现有技术中各种城市快速路交织区交通流优化方法效率低下的问题，本专利技术提供了一种道路交织区交通状态优化方法及系统，基于强化学习算法和道路渠化不断的进行城市快速路交织区交通状态优化，使优化的结果更具有实际应用价值，解决现有技术中优化不足，效率低下的问题。
[0008]一种道路交织区交通状态优化方法，包括以下步骤：
[0009]采集道路交织区段的视频图像数据；
[0010]将视频图像数据输入至基于YOLO算法的车辆目标和轨迹识别检测模型中，得到车辆目标和轨迹数据；
[0011]设置SUMO交通仿真场景中的强化学习方法环境以及道路渠道化；
[0012]将车辆目标和轨迹数据输入到SUMO交通仿真软件中，通过车辆目标和轨迹数据和跟驰换道模型获得所有车辆的驾驶轨迹、基本驾驶参数以及交织区整体的交通运行状态。
[0013]进一步地，所述道路交织区段的视频图像数据的采集是基于无人机进行实时采集，并将采集到的视频图像数据保存到硬件设备上。
[0014]进一步地，所述车辆目标和轨迹识别检测模型的构建过程包括以下步骤：
[0015]获取无人机采集的道路交织区段的视频图像数据；
[0016]对视频图像数据进行车辆目标和轨迹的人工标定，建立车辆目标和轨迹识别数据集；
[0017]根据车辆目标和轨迹数据集构建YOLO车辆目标和轨迹识别检测模型。
[0018]进一步地，所述基本驾驶参数包括车辆的速度、加速度、航向角、刹车情况、车辆状态灯情况。
[0019]进一步地，还包括采用最小二乘法或遗传优化算法进行跟驰换道模型的标定。
[0020]进一步地，所述强化学习方法包括传统基于贪心策略的强化学习方法和深度强化学习方法。
[0021]进一步地，所述强化学习方法的设置，包括以下步骤：
[0022]构建SUMO仿真场景的强化学习环境；
[0023]设置可根据交通情况实时变化的交通信号灯；
[0024]设置强化学习中智能体的可执行的动作；
[0025]通过SUMO软件提供的道路和交通信息作为强化学习方法的环境。
[0026]进一步地，所述道路渠道化的设置是通过SUMO仿真软件的编辑功能实现道路标线的虚实线变化。
[0027]进一步地，通过所述SUMO交通仿真输出的车辆运行数据和交织区整体的通行状况与将视频图像数据输入至基于YOLO算法的车辆目标和轨迹识别检测模型中得到的检测结果进行对比分析，来判断优化结果是否达到预期。
[0028]进一步地，一种道路交织区交通状态的优化系统，包括：
[0029]采集模块，用于采集道路交织区段的视频图像数据；
[0030]识别检测模块，用于将视频图像数据输入至基于YOLO算法的车辆目标和轨迹识别检测模型中，得到车辆目标和轨迹数据；
[0031]强化学习环境设置模块，用于设置SUMO交通仿真场景中的强化学习方法环境以及道路渠道化；
[0032]输出模块，用于将车辆目标和轨迹数据输入到SUMO交通仿真软件中，通过车辆目标和轨迹数据和跟驰换道模型获得所有车辆的驾驶轨迹、基本驾驶参数以及交织区整体的交通运行状态。
[0033]本专利技术提供了一种道路交织区交通状态优化方法及系统，具备以下有益效果：
[0034](1)本专利技术通过将在SUMO交通仿真场景中设定强化学习环境以及道路渠道化后获得的所有车辆的驾驶轨迹、基本驾驶参数以及交织区整体的交通运行状态与在YOLO车辆目标和轨迹识别检测模型检测出的结果进行对比分析，基于强化学习和道路渠化的城市快速路交织区交通状态优化方法，优化结果更高效、更具应用价值。
[0035](2)本专利技术不仅适用于城市快速路，针对高速公路，通过重新训练的基于强化学习
和道路渠化的交织区交通状态优化方法可以较为方便的完成交织区的交通状态优化。
[0036](3)本专利技术与传统的单一优化方法相比，结合了强化学习和道路渠化的方法能够更好的对交织区交通状态进行优化提升。
附图说明
[0037]图1为本专利技术实施例中交通状态方法优化流程图；
[0038]图2为本专利技术实施例中步骤2基于YOLO系列算法对无人机采集的城市快速路交织区段的视频数据进行车辆目标和轨迹识别示意图；
[0039]图3为本专利技术实施例中步骤4表示强化学习方法环境和道路渠化设置示例图；
[0040]图4为本专利技术实施例中步骤5表示SUMO交通仿真的示例图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0042]本专利技术提供一种道路交织区交通状态优化方法；步骤如下：
[0043]步骤1：基于无人机采集的城市快速路交织区段的视频数据，形成实时和录像形式的视频格式数据并保存到硬件设备上；本专利技术基于无人机进行数据提取，能够最大限度保证城市快速路交织区交通状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路交织区交通状态优化方法，其特征在于，包括以下步骤：采集道路交织区段的视频图像数据；将视频图像数据输入至基于YOLO算法的车辆目标和轨迹识别检测模型中，得到车辆目标和轨迹数据；设置SUMO交通仿真场景中的强化学习方法环境以及道路渠道化；将车辆目标和轨迹数据输入到SUMO交通仿真软件中，通过车辆目标和轨迹数据和跟驰换道模型获得所有车辆的驾驶轨迹、基本驾驶参数以及交织区整体的交通运行状态。2.根据权利要求1所述的一种道路交织区交通状态优化方法，其特征在于，所述道路交织区段的视频图像数据的采集是基于无人机进行实时采集，并将采集到的视频图像数据保存到硬件设备上。3.根据权利要求1所述的一种道路交织区交通状态优化方法，其特征在于，所述车辆目标和轨迹识别检测模型的构建过程包括以下步骤：获取无人机采集的道路交织区段的视频图像数据；对视频图像数据进行车辆目标和轨迹的人工标定，建立车辆目标和轨迹识别数据集；根据车辆目标和轨迹数据集构建YOLO车辆目标和轨迹识别检测模型。4.基于权利要求1所述的一种道路交织区交通状态优化方法，其特征在于，所述基本驾驶参数包括车辆的速度、加速度、航向角、刹车情况、车辆状态灯情况。5.根据权利要求1所述的一种道路交织区交通状态优化方法，其特征在于，还包括采用最小二乘法或遗传优化算法进行跟驰换道模型的标定。6.根据权利要求1所述的一种道路交织区交通状态优化方法，其特征在于，所述强化学习方法包括传统基于贪...

【专利技术属性】
技术研发人员：余博，陈雨人，邓典涛，高健强，姚思喆，
申请(专利权)人：同济大学，
类型：发明
国别省市：