基于雷视融合技术的智慧信控边缘计算终端研发

2023-10-24赵文芊柏卓茁杨思成陈彦名郑国荣

智能城市 2023年9期

赵文芊柏卓茁杨思成陈彦名郑国荣＊

（北方工业大学，北京 100000）

1 国内外研究现状

交通信号系统作为交通秩序调节的重要手段，在城市交通中发挥了重要的作用，随着城镇化程度不断增加，全国各地建设了大量的信号控制系统[1]。但由于技术条件有限，城市的信号系统多数采用依靠交警或配时专家的经验的分时段固定配时方案，无法根据路口的车流、人流进行动态的配时调节。

随着智能技术的发展，部分城市开始使用线圈、地磁等路口车流检测设备检测车流量，结合互联网OD数据进行路口信号配时的自适应调整。随着5G技术的发展，边缘计算逐渐成为研究热点[2-3]。边缘计算是将尽可能多、不超出本地运算能力的控制及计算任务通过本地设备实现，不需要上传至云端，在本地边缘计算层完成处理过程，以此减轻云端运算能力的负荷。由于边缘计算信息传输链精简，可以为客户端提供更快响应[4]。

2 研究目的

近年来，汽车的保有量持续增加，交通拥堵问题受到广泛关注，城市交通管理和智慧城市建设成为热点问题。传统云计算由于上传数据所带来的延迟会导致调度不及时，对突发事件、突发天气无法及时有效应对。因此，在交通信号控制系统中，不能仅依靠云计算通过大数据拟合指导交通流控制。文章通过研究边缘计算与终端控制的关系，改善云计算用“过去时”指导“现在时”的工作模式，使信号配时方案拥有更好的时间性和随机性，增强对各种突发事件、突发天气的适应性，快速地进行配时反应，提供更准确、完整的配时策略。通过边缘计算可以在路口边缘通过各种传感器端对道路交通流进行精确实时全量的感知，通过边缘计算设备，在路口本地端给出实时的、适用于当前时刻的配时方案。

3 方案论证

文章提出了一种雷视融合的全量交通流采集端方案，采用视频+雷达的方式，基于端感知到的数据进行最优配时。

端感知数据包括最远到380 m位置的道路目标（人、车、非机动车）的实时感知，真实坐标位置（精确到亚米级）识别、车辆行驶方向、行驶速度、正方向夹角、姿势等信息；道路排队、拥堵（道路反溢）、交通事故、停车、逆行、抛洒物、积水、施工等异常交通事件检测信息；公交车、危化品车、渣土车、救护车、消防车、大货车等车辆类型的识别；道路上尽可能多的车辆车牌号、车辆品牌颜色的精确识别信息；道路的能见度、天气、环境等信息。

交通配时方案结构为：

式中：τ——配时结果；B——本地居民的实际情况；R——道路情况；t——当前时间；D——节假日情况；E——突发交通事件或交通管制；C——偶然性的集会情况；N——导航软件的影响因素。

R、B基本稳定，一段时间（数周）内不会较大的变化，但E(t)、C(t)、N(t)是明显的时变参量，每个时间点均不一样。过去只是拟合了R、B两个参量，但无法拟合E(t)、C(t)、N(t)等时变参量带来的影响。

文章采用北京市常规标准摄像头+军用毫米级雷达进行融合。根据雷达和视频采集到的数据，分别实现单传感器目标跟踪处理；雷达数据目标跟踪通过算法输出目标数据，将检测器检测到的数据集通过算法进行输出，检测其准确率以及检测率。在保证路口车流量、行人输入水平相同的情况下进行控制变量试验，只改变突发因素以及天气问题所影响的因素。对比试验结果，得到最优检测方案，在仿真软件上对比相同交通情况下路口运行各配时方案的情况，文章中边缘计算算法主要根据路口车辆排队长度进行方案选择、控制。

4 研究方法

4.1 边缘计算

4.1.1 定义

边缘计算是指在网络边缘执行计算的新兴技术模型。从数据源至云计算中心路径之间的网络资源、任意计算均称为边缘。网络边缘设备既可以从云中心请求服务、内容，也可以执行数据存储、缓存、处理、隐私保护及设备管理等计算任务[5]。

4.1.2 特点

（1）超低时延。

交通信息不需要上传云端进行处理，可以直接在边缘节点进行计算和分析，实现实时管理，降低了网络延迟和网络再处理突发事件时的拥堵。

（2）数据边界化。

边缘计算通过过滤海量数据去除重复、无用数据，减少云中心需要分析的数据数量，提高了数据分析质量，实现了交通体系更及时、高效响应。丢弃处理后的失去价值的数据保障数据的边界化。

（3）提供数据隐私及安全保障。

边缘节点接收数据后先进行加密，实施保护隐私政策。低延迟可以保护数据，使入侵者在数据传输过程中不能访问甚至篡改数据，提高了安全性。

（4）降低云计算负担。

边缘计算将部分任务迁移至边缘服务器处理，该时延低于上传到云中心的时间，所以能够降低计算负载以及能耗，提升了车载终端的续航能力。

（5）提供基于位置识别的服务。

边缘计算实时分析收集的地理位置数据，结合信号灯进一步改善路面情况或更改行车路线[6]。

4.2 毫米波雷达与视频融合

4.2.1 基于毫米波雷达的车辆目标检测

毫米波雷达通过射频系统经由微带阵列天线向外发射雷达探测波，通过毫米波感应器接收目标反射回来的电磁波，进行放大与信号解析处理后，获取空间内交通目标相对雷达的远近距离、方位角度、移动速度等。毫米波雷达工作频率范围为30～300 GHz，波长1～10 mm，介于微波与厘米波之间，穿透能力强，受环境影响较小。

随着硬件以及算法的不断创新优化，毫米波雷达的应用范围从二维探测成像拓宽到三维探测成像，其将广泛应用在车辆目标检测方面。

4.2.2 基于毫米波雷达和视觉融合的车辆目标检测

视觉和毫米波雷达融合的车辆目标检测系统结构如图1所示。

图1 视觉和毫米波雷达融合的车辆目标检测系统结构

不同种类传感器的工作原理不同。单一传感器通常无法获取满足被检测目标的全部交通特征，在复杂气候及道路环境下也难以满足对车辆目标检测的不同种类数据的需求。为了更全面、准确地获取检测交通目标所需要的交通信息特征数据，通过对多种类型传感器信息进行融合，从而获得更全面的目标信息，对检测交通目标实现全天候、高可靠性的检测。

文章融合了机械视觉系统和毫米波雷达的技术特性，对车辆目标检测等技术进行了研究，结果表明该方案具有较高的有效性和准确度[7]。

4.2.3 毫米波雷达与视觉融合算法

文章设计了毫米波雷达与视觉融合的算法，主要包括4个部分，即基于视觉的车载目标检测、毫米波雷达点云航迹生成、坐标空间转换以及车载目标融合。

毫米波雷达与视觉融合算法流程[8]如图2所示。

图2 毫米波雷达与视觉融合算法流程

4.3 基于雷达数据的交通信号控制方法

常见的信号控制方法有定时控制、感应控制、协调控制、自适应控制。大多数路口使用定时控制，也就是固定配时信号控制。根据交通流量的变化，预先设置不同时间段的绿灯时间和红灯时间，适用于交通流量变化比较规律的路段。但定时控制在路口较拥堵的方向经常出现绿灯二次等待问题，即由于车流量过大导致车辆无法在一个绿灯期间通过路口，需要等待2个绿灯或2个以上绿灯才能通过路口的情况。

而路口流量较小的方向，经常出现绿灯空放时间较长的问题，即绿灯时长中有较长时间都属于无车辆通过的状态。因此，提出几种控制方式进行优化，以缓解路口拥堵。在控制策略实施时，主要通过评估区域内的交通密度来决策绿灯时间是否延长[9]。

路口车流量检测如图3所示。

图3 路口车流量检测

4.3.1 低峰时段，感应控制

（1）系统没有探测到车辆时，常态化控制4个方向行人过街，绿灯放行，以方便行人通行，同时车行方向为红灯状态。

（2）当系统探测到某一个方向距离路口200 m左右的位置（确保车辆从该点行驶到路口需要不低于10 s的时间）来车时，通过端传感器判断其通行方向斑马线是否有行人。如果没有行人正在通行，则自动控制该通行方向上的红灯切换为绿灯，将其垂直方向的行人通行绿灯切换到红灯，以方便车辆无须过度减速或停车即可通行。

（3）当系统探测到某一个方向，在距离路口200 m左右的位置（确保车辆从该点行驶到路口需要不低于10 s的时间）来车时，通过端传感器判断其通行方向斑马线上有行人正在通行，保持该通行方向上的红灯直到行人离开后切换至绿灯，并将垂直方向的行人的信号灯由绿灯切换到红灯，以方便车辆无须过度减速或停车即可通行。

4.3.2 平峰时段，自适应控制

平峰时段主要是指白天工作时间（早晚高峰除外）、夜间或节假日低峰时段之前的时段，双方向均有车流且1个周期即能够放完的情况。

此时采用对放或轮放的策略，但根据当前道路车辆态势（车辆数量、排队长度、车流速度）的情况，实时估计可以放完车辆的周期时长，采用9 s倒计时的红绿灯，实时动态控制周期间隔，如原来默认是30 s一个周期，现阶段通过车辆感知和计算，明确当前周期车流只需要15 s即可放完，则在第6 s时即开始进入9 s倒计时。车辆完全通行之后，9 s倒计时刚好完成，对向切换为绿灯，可以减少绿灯损失和车辆停留等待时间。

考虑到行人过街时间和规律，每个方向可以设定1个最短绿灯和最长绿灯。

4.3.3 高峰时段，区域控制

高峰时段主要是指早晚出行高峰或遇到突发集会、突发事件导致的交通流高峰。一般1个周期不能放完所有车辆，甚至会出现反溢的情况，此时以上2种自动配时方案均将失效。而平峰时段的自适应控制将给出最长时间，此时需要采用区域控制策略。

（1）如发现对方队尾超过了溢出警戒线，则自动延长驶往该方向的红灯时间，直到对方队尾1个周期内不会再溢出。

（2）通过区域道路结构，结合当前和历史车流数据，协同计算区域内每个方向的最优配时周期，必要时辅以人工干预的先验配时数据。

4.3.4 路段行人过街，感应控制

系统在低峰时段和平峰时段自动感应行人是否存在，并给予绿灯放行，如遇高峰时段，则减少行人的放行时间和放行次数，以提高汽车的通行能力。