CN107025794B - 用于监控交通系统的计算机系统和方法 - Google Patents

用于监控交通系统的计算机系统和方法 Download PDF

Info

Publication number
CN107025794B
CN107025794B CN201610816541.0A CN201610816541A CN107025794B CN 107025794 B CN107025794 B CN 107025794B CN 201610816541 A CN201610816541 A CN 201610816541A CN 107025794 B CN107025794 B CN 107025794B
Authority
CN
China
Prior art keywords
traffic
data
signal state
light
sensor data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610816541.0A
Other languages
English (en)
Other versions
CN107025794A (zh
Inventor
O.罗尔
C.米勒
F.莱尔德特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Urban Software Institute GmbH
Original Assignee
Urban Software Institute GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Urban Software Institute GmbH filed Critical Urban Software Institute GmbH
Publication of CN107025794A publication Critical patent/CN107025794A/zh
Application granted granted Critical
Publication of CN107025794B publication Critical patent/CN107025794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096758—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where no selection takes place on the transmitted or the received information
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02N—STARTING OF COMBUSTION ENGINES; STARTING AIDS FOR SUCH ENGINES, NOT OTHERWISE PROVIDED FOR
    • F02N11/00—Starting of engines by means of electric motors
    • F02N11/08—Circuits or control means specially adapted for starting of engines
    • F02N11/0814—Circuits or control means specially adapted for starting of engines comprising means for controlling automatic idle-start-stop
    • F02N11/0818—Conditions for starting or stopping the engine or for deactivating the idle-start-stop mode
    • F02N11/0833—Vehicle conditions
    • F02N11/0837—Environmental conditions thereof, e.g. traffic, weather or road conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02N—STARTING OF COMBUSTION ENGINES; STARTING AIDS FOR SUCH ENGINES, NOT OTHERWISE PROVIDED FOR
    • F02N2200/00—Parameters used for control of starting apparatus
    • F02N2200/12—Parameters used for control of starting apparatus said parameters being related to the vehicle exterior
    • F02N2200/125—Information about other vehicles, traffic lights or traffic congestion

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

公开一种用于交通控制系统的监控系统(100)以及对应方法。所述交通控制系统包括多个交通灯(301至305)。所述监控系统(100)包括内送接口组件(110)，被配置为：从多个静态安装的视觉传感器(201至205)接收传感器数据流。每个视觉传感器被配置为：捕获交通灯中的至少一个的灯信号，并且所述视觉传感器中的至少一个感测每个交通灯。接收到的传感器数据包括每个交通灯的当前信号状态。此外，所述监控系统的分析组件(120)被配置为：基于使用应用于当前信号状态数据以及先前接收到的信号状态数据的机器学习算法而预测关于所述多个交通灯中的每个交通灯的至少一个未来信号状态。

Description

用于监控交通系统的计算机系统和方法
技术领域
本发明总体上涉及交通控制系统，更具体地说，涉及用于交通控制系统监控的方法、计算机程序产品和系统。
背景技术
交通控制系统用于主要经由各个交通灯来控制车辆和行人的交通流量。能够预计交通灯的灯信号的车辆可以调整它们的驾驶行为以节约能量或燃料消耗。用于重获关于任何地理区域(例如城市、城镇、地区或乡村地域)的交通控制系统的交通灯状态以及切换周期的信息的一些机制是本领域公知的。然而，为了访问区域内的交通灯的信息，一般需要连接到不同技术提供商所交付的若干交通灯基础架构系统。典型交通灯基础架构场景包括来自不同提供商以及来自不同技术代系的系统，其中，各系统之间是受限的或无兼容性。当前系统通常提供对交通灯切换周期数据的有限访问，需要附加的硬件插件和软件插件。遗留系统所提供的数据传送延时时间通常非常高，将来自这些遗留系统的可用信息呈现为对于现代实时应用(例如车辆动力总成(powertrain)优化和改进的驾驶者安全服务)不是可用的。当前系统典型地仅同时处理有限量的交通灯的信息。并非所有当前交通灯系统提供对“信号相位和时序”(SPaT)以及“道路拓扑”(MAP)交通数据信息格式的支持，归因于缺少数据均化而增加交叉系统融合的复杂性。利用交通灯切换周期信息的系统并不容易可运输到和/或应用于新的位置和世界区域。
安装在车辆的板上的一些相机系统可以用于超前分析交通灯的交通灯状态，并且使用车辆的信息引导。源自多个车辆的众包数据用于检测并且预测实际交通产生的交通灯的交通信号调度。然而，这些预测典型地缺少精度，在于：它们不能被分配给道路的特定车道。
发明内容
因此，需要一种可以通过改进的拓扑精度监控整个交通控制系统的状态的交通控制监控系统。通过提供一种用于交通控制系统的监控系统、一种用于监控交通控制系统的计算机实现的方法以及一种当由监控系统执行时执行监控方法的计算机程序产品根据独立权利要求来解决该问题。
所公开的解决方案使用静态视觉传感器(例如，比如相机或光电池)，以检测属于交通控制系统的交通灯的状况或状态。作为简化假设，假设交通灯的状态可以是红色[r]、黄色[y]或绿色[g]。当然，在真实情境中，其它状况可以产生。例如，在状态切换到[g]之前，状况[r/y]可以产生。可以存在其它状况(例如比如[g闪烁])。此外，不同的色彩或不同数量的色彩或其不同组合可以用于定义状况。本领域技术人员可以容易地将所公开的构思应用于关于交通灯的多种状况。交通灯的每个状况(状态)具有用于控制交通的清楚地定义的涵义。这些状态数据于是由交通控制监控系统调用。
监控系统包括内送接口模块(组件)，用于从视觉传感器接收指示各个交通灯的当前状态的状态数据。
监控系统的分析模块(组件)使用机器学习算法，以训练用于交通灯的信号相位的模型。在模块已经受训练之后，模块能够预测未来的信号状况。
外送(outbound)信息模块(组件)可以公布交通信号的当前状态以及未来状况的预测。该数据可以与包括Car2X情境(例如比如自动驾驶)的所有种类的SPaT/MAP应用有关，并且也可以包含SPaT和MAP信息。
该文献的上下文中的交通控制系统至少包括多个交通灯，以控制所定义的地理地区(例如整个城市或街区)中的交通。交通控制系统可以还包括例如用于交通灯前面的车辆检测的感应线圈或用于交通检测的其它传感器。其可以还包括其它符号或激励器(例如铁路道口栏杆等)。
内送(inbound)接口组件从多个静态安装的视觉传感器接收传感器数据流。每个视觉传感器被配置为：捕获交通灯中的至少一个的灯信号，并且所述视觉传感器中的至少一个感测每个交通灯。接收到的传感器数据包括每个交通灯的当前信号状态(例如[r]、[y]或[g])。用于静态安装的视觉传感器的示例包括：数字相机，其安装有包括交通灯中的至少一个的视场；或光电池，安装在各个交通灯上以测量各个交通灯所发射的光。视觉传感器可以要么在本地计算机视觉系统中分析交通灯的图片或灯信号，要么将图片或灯信号转发到外部计算机视觉系统，以检测各个交通灯的当前信号状况。例如，该计算机视觉系统可以提取色彩信息(例如红色、黄色、绿色)，并且将结果转发到检测机构。图像处理领域技术人员可以在一个图片中标识多个交通灯，并且重获每个灯的色彩，以确定位于各个相机传感器的视场中的每个交通灯的总体状态。也有可能将特定视觉传感器的图像中的所标识的交通灯与在多车道交通情境中的各个交通灯所控制的特定车道关联。与移动相机对比，视觉传感器的静态部署可以提供更精确的数据，因为视觉传感器的位置是固定的。也就是说，用于确定视觉传感器的地理位置的处理，因为这在使用移动相机的情境中是需要的，并且用于标识所拍摄的交通灯的随后计算因此是不需要的。使用静态部署的视觉传感器的另一优点可以是，在交通控制系统包括具有不同技术性质(例如，运行在不同的通信协议上，在跟踪子系统中的各个交通灯的切换状态方面具有不同的能力等)的多个信号传送子系统(即，联合受控的交通灯集群)的情况下，检测每个交通灯的信号状态完全脱离于现有交通控制系统基础架构。因此，所提出的解决方案可以通过仅对视觉传感器提供普通通信基础架构来整合任何遗留交通控制系统。例如，可以通过使用通信基础架构(例如WIFI、Zigbee或其它移动/无线和/或缆线式通信解决方案)将传感器数据提交给监控系统。
分析组件被配置为：基于使用应用于当前信号状态数据以及先前接收到的信号状态数据的机器学习算法而预测关于多个交通灯中的每个交通灯的至少一个未来信号状态。至少一个未来信号状态包括当前信号状态将从当前信号状态切换到未来信号状态的预期时间点。
外送状态提供组件被配置为：将至少一条消息发送到车辆，其中，所述至少一条消息包括至少一个交通灯的当前信号状态和至少一个未来信号状态。所发送的消息被配置为：影响车辆的操作，其包括：通过控制信号/消息来控制操作，而无需人机交互。例如，所发送的消息可以包括与待由车辆执行的信号相位&时序(SPaT)和/或十字路口几何和拓扑(MAP)应用有关的数据。例如，MAP消息传递关联十字路口的几何布局。
在一个实施例中，内送接口可以进一步被配置为：复制接收到的传感器数据流，并且针对两个传感器数据流之一而延迟另一个。在替选实施例中，在分析组件中实现延迟功能。分析组件可以然后使用：延迟的传感器数据流，作为用于机器学习算法的训练流；以及非延迟的数据流，用于在线预测信号状态改变。
在一个实施例中，内送接口可以从与信号传送子系统的一个或多个交通灯关联的接收到的传感器数据流生成相等长度的数据帧。这样允许使用所生成的数据帧作为用于机器学习算法的输入。数据帧的长度对状态预测的精度以及训练预测模型所需的时间具有影响。合理的帧长度可以是信号传送子系统的周期时段或其倍数。子系统的周期时段可以定义为在系统已经经历多次状态改变之后子系统再次到达初始状态所耗费的时间间隔。
在一个实施例中，内送接口可以被配置为：从多个静态安装的其它传感器接收另一传感器数据流，其中，每个其它传感器与各个交通灯关联，并且包括关于各个交通灯的交通状态。交通状态是用于各个交通灯所影响的当前交通的指示符。例如，感应线圈可以用于检测交通灯前面的车辆的出现性。检测到的信号可以触发交通灯切换到下一状态，以改进总体交通流量。另一示例是与用于行人的交通灯关联的请求按钮，其当由行人按下时指示各个交通灯需要状态切换。其它示例是压力传感器、摄像机等。分析可以在机器学习算法中使用接收到的交通状态传感器数据，以用于预测各个关联交通灯的未来信号状态。当机器学习算法中包括交通状态传感器数据时，交通灯的状态预测的精度可以显著改进。
在一个实施例中，内送接口可以进一步从交通管理系统接收用于一个或多个交通灯的交通灯程序数据。交通灯程序数据包括关于控制各个一个或多个交通灯的信号切换的程序的信息。例如，可以重获当前正运行以控制交通灯或交通灯的子系统的程序的程序ID。基于程序ID，可以重获其它程序数据(例如比如程序的当前状况、自从程序开始以来的逝去时间等)。通常，这些其它程序数据可以包括从操作中的程序得到的运行时间数据(例如比如关于作为典型交通灯切换模式序列的程序的算法的数据，包括各状态改变之间的时间)。这些数据典型地可得自可以与监控系统进行接口的交通管理系统，以允许实时程序数据重获。分析组件可以在机器学习算法中使用接收到的交通灯程序数据，以用于预测各个一个或多个交通灯的未来信号状态，这又可以改进交通灯状态预测结果的精度。
通过所附权利要求中具体地描述的要素和组合，将实现并且达到本发明的其它方面。应理解，前面的普通描述以及以下详细描述仅是示例性和解释性的，而非将本发明限制为所描述的那样。
附图说明
图1是根据本发明一个实施例的具有用于交通控制系统的监控系统的交通控制情境的简化示图；
图2是根据本发明一个实施例的用于监控交通控制系统的计算机实现的方法的简化流程图；
图3和图4示出监控方法的一些方法步骤的细节；
图5示出根据本发明一个实施例的用于三个交通灯的数据帧生成；
图6是关于具有交通灯和车辆检测器的在穿越时的交通控制系统的示例情境；
图7示出根据本发明一个实施例的用于示例情境的数据帧生成；
图8示出根据本发明一个实施例的实现机器学习算法并且执行灯信号预测的监控系统的组件；以及
图9是可以通过在此所描述的技术而得以使用的普通计算机设备和普通移动计算机设备的示例的示图。
具体实施方式
图1是根据本发明一个实施例的具有用于交通控制系统的监控系统100的交通控制情境的简化示图。在根据图2的用于监控交通控制系统的计算机实现的方法的上下文中描述图1。在以下描述中使用指代这两幅附图的标号。
示例中的交通控制系统包括五个交通灯301至305。本公开通篇使用的交通控制系统也指代大型系统的任何子系统。例如，城市可以具有受交通管理系统300管理的交通控制系统。该交通管理系统可以控制各个交通灯中运行的各种程序，并且获知这些程序的它们的当前状态。然而，此外，整个交通控制系统的子系统(例如比如用于控制三个车道312(左转)、313(直行)和314(右转)的三个交通灯302至304)看作该申请的涵义内的交通控制系统。交通灯302影响左转车道312上的交通(例如车辆401)。交通灯303影响直行车道313上的交通(例如车辆402、403)。交通灯304影响右转车道314上的交通(当前无交通)。交通灯301和305可以控制在穿越时来自另一方向的交通，或它们可以与关于(利用车道312、313、314)穿越街道的行人的交通灯有关，或它们可以完全与交通灯302至304无关。
各个交通控制系统中的每个交通灯(其可以包括交通灯或仅交通灯的子系统)与可以捕获各个交通灯所发射的灯信号的(在固定位置处的)静态安装的视觉传感器201至205关联。在示例中，使用数字相机传感器202，其具有(虚线所示的)视场FOV2，以捕获交通灯302至304的灯信号。因为相机传感器202的静态性质，所以相机传感器总是准确地获知影响特定车道的各个交通灯的灯信号状态。灯信号状态(或该申请通篇使用的仅状态或状况)与交通灯中的所照亮的灯的当前组合有关。本领域公知的图像处理技术可以用于提取三个交通灯中的每一个的灯信号状态。相机传感器202可以周期性地对三个交通灯的状态进行采样。然而，可以有利的是，仅当实际上检测到所观测的交通灯中的任一的状态改变时，将状态数据提交给监控系统，以节省与监控系统100通信的带宽。在替选实施例中，传感器202可以将状态数据周期性地提供给监控系统。
在一个实施例中，监控系统100可以可选地以通信方式与交通管理系统300(TMS)耦合。TMS可以将关于所观测的交通灯的附加信息提供给监控系统。例如，TMS可以获知当前正运行以控制交通灯302至304的切换的当前控制程序的标识符(程序ID)。其可以进一步发现自从程序的开始以来已经逝去的时间或关于交通控制系统的状态的其它有用信息。然而，TMS的信息是可选的，并且并非总是对于交通控制系统的所有交通灯是可用的。例如，遗留系统可能绝不装配有这种TMS。
在示例中，另一静态安装的相机传感器201对于捕获各个视场FOV1中的交通灯301的状态是可用的。交通灯305装配有光电池传感器203至205，其用于替代相机传感器。光电池附连到交通灯，从而每个传感器可以捕获交通灯305中的灯之一的状态。所有三个传感器203至205的状态信号提供交通灯305的总体状态。在一些实施例中，可以使用每单独灯的多个光电池。例如，用于巴士或电车的交通灯有时使用水平灯条(bar)或垂直灯条作为用于驾驶者的符号。在此情况下，每灯两个传感器足以标识单独灯的状态。传感器可以安装得小于90度，从而一个传感器捕获水平灯条，而另一传感器捕获垂直灯条。
一些交通灯可以与提供关于当前交通情形(交通状态)的信息的附加传感器关联。在示例中，交通灯301至304与这些交通状态传感器211至214关联。用于交通状态传感器的示例包括：道路集成式感应线圈，用于识别车辆的出现性；压力传感器，其能够通过车辆的重量确定其出现性；相机传感器，其可以在视觉上标识车辆的出现性；请求传感器，其允许通过例如按压(例如行人所使用的)请求按钮或使用(例如巴士驾驶者或电车驾驶者所使用的)远程可操作静态报告点/位置来请求信号改变。交通状态数据典型地由TMS 300收集，并且当适当时可以提供给监控系统100。
监控系统100经由适当的通信基础架构从视觉传感器接收交通灯301至305的当前灯信号状态数据。可选地，其也可以经由TMS 300接收交通状态数据和交通灯程序数据。由此，内送接口组件110从视觉传感器201至205接收(1100)传感器数据流，并且接收到的传感器数据包括每个交通灯301至305的当前信号状态。
分析组件120基于使用应用于当前信号状态数据和先前接收到的信号状态数据的机器学习算法而预测(1200)关于每个交通灯的至少一个未来灯信号状态。至少一个未来信号状态包括当前信号状态将从当前信号状态切换到至少一个未来信号状态的预期时间点。换言之，在此所使用的未来信号状态是包括所预期的未来灯信号的值和交通灯将切换到未来值的时间点的值配对。可选地，分析组件也可以考虑通过TMS 300所提供的交通状态数据和程序数据，以改进预测结果的精度。
外送状态提供组件130最终将至少一条消息M1、M2、M3发送(1300)到各个车辆401、402、403，其中，所述至少一条消息包括至少一个交通灯302、303、304的当前信号状态和至少一个未来信号状态。由此，所发送的消息被配置为：影响车辆的操作。消息包括车道特定状态信息。换言之，消息M1与左转车道312有关，并且因此与车辆401有关。消息M2包括关于直行车道313的状态信息，并且因此与车辆402、403有关。消息M3包括关于右转车道314的状态信息。然而，当前不存在对于该消息可用的数据消费者。例如，监控系统可以将所有消息M1、M2、M3发送到接近包括交通灯302、303、304的交通控制系统的所有车辆401、402、403。例如，监控系统100与车辆之间的通信可以使用标准技术(例如移动通信网络和互联网协议)。消息包括与所选择车辆有关的交通灯相位预测信息。例如，车辆系统协调组件可以根据车辆的位置和朝向来确定哪些车辆应接收消息。发现其车道位置的每个车辆可以于是提取有关消息，并且相应地进行动作。例如，如果消息指示交通灯将在6秒内从绿色切换到红色，则车辆可以自动地将它们的动力总成系统调整为未来情形。如果特定车辆能够在所允许的速度限制和交通条件内在绿灯下到达十字路口，则车辆可以调整其速度以到达绿灯。如果车辆不可能到达绿灯，则车辆系统可以通知驾驶者并且准备减慢车辆速度而且在避免突然和危险的刹车操纵的同时避免在红灯下穿越。这种转绿时间情境(TTG)可以构建在使得能够进行交通灯状况和十字路口拓扑的通信的技术组件上，并且车辆装配有用于接收该信息的技术。此外，前述信息对车辆的驾驶行为具有正面影响，以减少温室气体排放。
利用信号相位信息，向驾驶者通知信号改变之前的剩余时间，增加驾驶者的即将到来的交通情形的意识性和相应地进行反应的准备性。在自主汽车应用中，TTG可以用于在优化的时间点自动地开始并且停止电机(引擎)。这种开始/停止自动化可以通过影响车辆以通过减少能量供应来自动地足够早地减慢而非晚刹车来节省燃料/能量。
图3和图4示出先前所描述的监控方法的一些方法步骤的细节。图3示出内送接口执行的接收(1100)步骤的可选子步骤。
在第一实施例中，内送接口可以进一步从多个静态安装的其它传感器(见图1，例如211-215)接收(1150)另一传感器数据流。由此，每个其它传感器与各个交通灯关联，并且包括关于各个交通灯的交通状态。交通状态是用于各个交通灯所影响的当前交通的指示符。所述其它传感器与监控系统之间的通信式耦合可以实现为直接通信，或交通状态数据可以通过TMS得以路由。
在第二实施例中，内送接口(或替代地，分析组件)可以复制(1110)接收到的传感器数据流。由此，取决于实施例，仅包括视觉传感器数据的传感器数据流得以复制，或在还使用第一实施例的其它交通状态传感器数据的情况下，该另外数据流也得以复制。然后，针对两个传感器数据流之一延迟(1120)另一个。图8示出可以如何实现该情况的详细实施例。通过复制并且延迟接收到的数据流，基于同一数据流，可以生成人工时移，其中，延迟的数据流包括已经获知未来(即非延迟的数据流)的(过去的)数据。
图4示出分析组件所执行的预测(1200)步骤的可选子步骤，其中，预测子步骤与接收步骤的子步骤互补。在一个实施例中，分析组件可以在机器学习算法中使用接收到的交通状态传感器数据，以用于预测各个关联交通灯的未来信号状态。因为其它传感器数据提供关于交通灯的切换周期可以如何受外部因素(例如当前交通状态)影响的附加信息，所以这样可以改进预测的精度。图4中未示出的是可以进一步改进预测结果的精度的用于各个交通灯的程序数据的可选使用。
在一个实施例中，分析组件可以使用(1210)延迟的传感器数据流作为用于机器学习算法的训练流，并且可以进一步使用(1220)非延迟的数据流，以用于在线预测信号状态改变。此外，其取决于延迟的传感器流和非延迟的传感器流中是否包括仅视觉传感器数据或还包括交通状态数据和或程序数据的对于接收步骤所使用的实施例。然而，在预测精度与耗费于训练预测模型的时间之间存在折衷。越多传感器数据包括于接收到的数据流中，耗费于训练预测模型就越长，但预测结果将越精确。
图5示出根据本发明一个实施例的用于三个交通灯(TL)302、303、304的数据帧生成。机器学习算法需要所谓的数据帧作为输入。数据帧与包括多个交通灯的特征信号切换行为的状态矢量序列对应。该序列需要以恒定速率包括状态矢量。然而，典型地，仅当状态改变时，视觉传感器提供各个交通灯的灯信号状态的状态更新。图5的示例中示出该情况。在图5的顶部，定义用于灯信号状态的图例。在示例中，交通灯仅在三个状态：[r]、[y]和[g]之间切换。该图的上部分示出三个交通灯302、303、304随着时间t的切换周期。通过垂直虚线标记每个状况改变。
该图的第二部分(事件)示出与每个切换事件关联的状态矢量。每个状态矢量表示按TL 302、303、304的顺序包括TL 302、303、304的交通控制系统的当前状况。在示例中，每个交通灯的状况[r]、[y]、[g]分别由数字0、2、1表示。表示状况的数字也可以是归一化的。在此情况下，状况[r]、[y]、[g]将分别由数字0、1、0.5表示。也就是说，灯信号数据归一化为区间[0，1]。归一化数据可以是有利的，因为所有数据值处于具有相似性质的相同值范围内(例如，取决于机器学习算法，在0至1之间、在-1至1之间，或在其它适当的值范围内)。通常，数据的归一化可以促进关于计算机的学习处理。假设第一灯信号序列(A)：[g]→[y]→[r]以及第二灯信号(B)：[r]→[y]→[g]。在第一归一化示例中，[r]、[y]、[g]可以映射为(0，0.5，1)。在第二归一化示例中，[r]、[y]、[g]可以映射为(0，2，1)。这两个归一化是有效的，但在特定情形下，第一归一化可能是有利的。对于第一归一化，监控系统计算机可以学习关于信号序列(A)和(B)的线性函数f(t)＝a+b*t，其中，t是时间，a、b是计算机基于训练数据所确定的自由度。线性性质出自第一归一化的归一化数据，其中，表示灯信号状态的各数值之间的距离是0.5。对于示例序列，用于(A)的数据是0<0.5<1，用于(B)的数据是1>0.5>0，并且f(t)的一阶导数是恒定的。对于第二归一化，因为对于具有0<2>1的序列(A)以及具有1<2>0的序列(B)，f(t)的一阶导数是t的函数，所以计算机需要学习非线性函数。0与2之间的距离进一步从2与1之间的距离变化。也就是说，线性函数对于计算机学习序列(A)、(B)是不足的。取决于机器学习算法，监控系统计算机可以引入附加自由度a、b、c，其增加待学习的函数：f(t)＝a+b*t+c*t*t的复杂度。将要从接收到的数据学习自由度a、b、c。通常，对于这些非线性函数，学习处理比在使用具有线性函数的归一化的情况下需要更多的数据和更多的时间。因此，第一归一化将优于第二归一化，因为其促进用于监控系统的信号序列识别。
为了可视化，在示例中使用非归一化的值。初始状态是所有三个交通灯为红色。对应状态矢量是(0，0，0)。然后，TL 302改变为黄色。因此，对应(非归一化的)状态矢量是(2，0，0)，依此类推。
在事件并非等距的情况下，机器学习算法不能随着原始数据到来而处理它们。因此，内送接口可以首先对于到来数据流执行自动完成步骤。在该图的第三部分中示出该步骤的结果(等距事件)。内送接口确定用作用于生成人工事件的基本间隔的时间间隔tc。时间间隔tc应至少如事件部分中的两个真实事件之间的最小时间间隔那样小。只要所观测的交通控制系统的总体状态不改变(即，两个真实世界切换事件之间的时间间隔)，内送组件就通过复制当前状态矢量每隔时间间隔tc来生成人工事件。因此，生成具有对应状态矢量的一系列等距事件。然后，可以对每个帧的每个数据字段进行归一化。可以通过将状态值映射到0至1之间的区间上来实现归一化。灯信号和其它检测器数据值可以已经具有0至1之间的值。如果使用在程序开始之后的逝去时间(例如，用于改进的预测精度)，则也可以对各个程序时间数据字段进行归一化，从而程序时间数据字段值位于0至1之间。
最后，连续数据帧可以定义为用于机器学习算法的输入数据。帧的开始事件是跟随先前帧的开始事件的等距事件。在示例中，示出前三个帧：帧1、2和3，其中，第二帧与第一帧分离达时间间隔tc。由此，每个数据帧包括相同数量的等距状态矢量。换言之，每个数据帧具有相同长度。使用覆盖所观测的交通控制系统的至少一个切换周期的帧长度可以是有利的。这样可以确保可接受的预测精度等级。然而，当在状态矢量中可以考虑附加精度有关数据时，更小的帧长度也可以带来可接受的预测精度。在示例中，交通控制系统的切换周期包括23tc，并且帧长度是相应地选取的。
通常，具有作为当前时间的t＝0的帧、表示在当前时间的交通控制系统的状态状态矢量的事件(t＝0)以及作为定义帧的长度的等距时间间隔tc的数量n具有以下结构：
帧:＝[事件(t＝0),事件(t＝tc),…,事件(t＝(n-1)tc),事件(t＝ntc)]
在具有t>0的时间的事件描述交通控制系统在过去的状态。在时间t<0的事件描述交通控制系统的未来状况。帧于是进一步受具有训练模块和预测模块的分析组件处理。
图6是具有四个交通灯S1至S4以及四个关联车辆检测器D1至D4的十字路口处的关于交通控制系统的示例情境。典型地，车辆检测器是感应线圈，其工作在交通灯前面的道路中，以检测车辆是否已经正等待在交通灯前面。如果与总体交通情形兼容，则这样可以影响交通灯从红色[r]到绿色[g]的较早状态改变。然而，此外，在状态为绿色[g]的同时，检测器D1至D4的检测到的信号可以提供关于总体交通情形的有价值的信息。例如，检测器信号的频率可以指示交通的密度。其它类型的检测器(例如压力检测器、摄像机系统等)可以用在替选实施例中，以实现D1至D4。在示例情境中，车辆401正接近交通灯S3及其关联检测器D3。车辆可以按速度v前行。然而，速度可以随着时间而变化，并且其它车辆可以按不同速度行驶。
交通灯S1至S4受图1中所描述的各个视觉静态安装的传感器监控。例如，这种视觉传感器可以是组装有相机、板载小计算机以及移动通信发射机的设备，能够捕获十字路口处的各个交通灯的当前交通灯状态。每个交通灯状态由该视觉传感器捕获。相机可以使用不同的方法以确定一个或多个交通信号的当前交通灯状态。可以通过图像处理或通过灯检测来标识当前灯信号状况。一旦交通灯状态已经关于各个交通灯得以确定，其就发送到内送接口组件，允许监控系统馈送其预测模型。
图7示出根据本发明一个实施例的用于图6的示例情境的数据帧生成。用于帧生成的方法与图5中所描述的情境相似。然而，在示例情境中，车辆检测器D1至D4的附加信号是定义事件的状态矢量的部分。通常，所提出的灯信号预测解决方案可以应对实质上周期性的信号序列，并且可以进一步考虑具有更多事故特征的信号(例如检测车辆的出现性的检测器信号)。
与图5中相似，在图7的顶部，图例定义用于交通灯S1至S4的灯信号状态[r]、[y]、[g]的视觉表示。此外，定义检测器D1至D4的检测器状态[car]、[no car]的视觉表示。[car]代表各个检测器检测到车辆的情形。否则，检测器状态为[no car]。此外，在示例中，交通灯仅在三个状态：[r]、[y]和[g]之间切换。该图的上部分示出四个交通灯S1至S4随着时间t的切换周期。此外，上部分包括每个检测器的交通状态(例如检测器状态D1至D4)。通过垂直虚线标记每个状况改变。由此，特定检测器的交通状态的改变也看作交通控制系统的状况的改变。在示例(参见图6)中，当车辆401位于D3的检测范围内时，D3检测到的交通状态从[nocar]改变为[car]。当车辆401离开D3的检测范围时，其再次改变为[no car]。在示例中，当车辆401到达并且D3的检测器状态改变为[car]时，S3的信号状态为[r]。在交通灯S3的状态改变为[g]之后短暂地，车辆401正穿越交通灯S3并且离开D3的检测范围。在此时间点，D3检测到的交通状态切换回到[no car]。
内送接口可以将其它信息(例如所观测的交通灯的交通灯程序ID或交通灯逝去程序时间(如果经由TMS是可用的))加入接收到的灯信号状态数据，以用于进一步的预测精度改进。TMS根据交通情形和/或一天的时间来切换交通灯程序。当从一个交通灯程序切换到另一交通灯程序时，交通灯程序ID改变。机器学习算法检测该改变，并且可以关于改变后的程序ID选择对应预测模型。
与图5相似，图7的第二部分示出与包括检测器事件的每个切换事件关联的状态矢量。每个状态矢量表示包括关于每个交通灯的灯信号状态和交通状态及其关联检测器的配对(S1、D1、S2、D4、S3、D3、S4、D4)的交通控制系统的当前状况。此外，在示例中，每个交通灯的状况[r]、[y]、[g]分别由(非归一化的)数字0、2、1表示。每个检测器的状况[car]、[nocar]分别由数字1、0表示。初始状态矢量是(1,0,1,0,0,0,0,0)。D3检测到车辆401，并且状态矢量改变为(1,0,1,0,0,1,0,0)。可以从该图重获以下状态改变事件。
此外，机器学习算法需要等距事件作为输入。因此，与图5相似，内送接口可以对于到来数据流执行自动完成步骤，其中，同样包括检测器数据流。在该图的第三(等距事件)部分中示出该步骤的结果。内送接口确定用作用于生成人工事件的基本间隔的时间间隔tc1。时间间隔tc1应至少如事件部分中的两个真实事件之间的最小时间间隔那样小。只要所观测的交通控制系统的总体状态不改变，内送组件就通过复制当前状态矢量每隔时间间隔tc1来生成人工事件。因此，生成具有对应状态矢量的一系列等距事件。
最后，连续数据帧定义为用于机器学习算法的输入数据。帧的开始事件是跟随先前帧的开始事件的等距事件。在示例中，示出前三个帧：帧1a、2a和3a，其中，第二帧与第一帧分离达时间间隔tc1。由此，每个数据帧包括相同数量的等距状态矢量。在该示例中，帧长度选取为六个tc1。虽然在此情况下帧长度小于所观测的交通控制系统的一个切换周期的长度，但因为检测器D1至D4的附加交通状态数据提供附加精度有关数据，所以可以仍确保可接受的预测精度等级。
图8示出根据本发明一个实施例的可以用于实现机器学习算法并且执行灯信号预测的监控系统100的组件。在监控系统处于操作中(在线)的同时，可以进行灯信号状况的训练和预测，从而预测算法可以将自身自动地适配于灯信号程序改变。分析组件可以被配置为：对于作为等距事件时间间隔(例如tc)的倍数的不同未来时间点计算灯信号状态预测。例如，可以对于未来预测时段-tc、未来预测时段-2tc等计算预测。无需计算所有可能的预测时段。例如，如果仅在准确30秒内交通控制系统的状态需要预测，则可以仅计算与预测时段-(30/|tc|)tc有关的一个预测时段，其中，|tc|是以秒为单位的tc的长度。
内送组件接收可以如图5或图7的上下文中所描述的那样生成的随着时间的连续帧流(帧4、帧5、……)。此外，内送接口(或分析组件)可以被配置为：复制接收到的传感器数据流，并且针对两个传感器数据流之一延迟另一个。一个数据流可以用于在线预测，另一数据流用于训练。在该实施例中，训练数据流受延迟达作为tc的倍数的时间间隔tfuture。tfuture与监控系统能够预测交通控制系统的未来灯信号状态的时间点对应。非延迟的数据流中的交通控制系统的当前状态从延迟的数据流的观点来看显现为未来。由此，系统可以从过去学习，并且将学习投射到未来。换言之，从延迟的数据流的观点来看，分析组件发现上达tfuture的所有显然未来事件。因此，对于训练数据流，可以确定性地计算灯信号切换其色彩的时间。训练样本及其对应在线预测可以用于对机器学习算法给出反馈。算法可以使用该反馈以增加预测精度，并且可以自动地适配于交通控制系统的编程改变。这样允许还包括如图7所示的交通状态传感器数据所产生的动态改变。
例如，缓冲器140可以用作延迟元件。在示例实施例中，延迟的数据流用于机器学习算法的训练目的。训练矢量(TV)缓冲器140可以实现为FIFO(先入先出)存储器结构组件，以按接收到各个训练矢量的顺序来缓冲它们。在示例中，当前接收到的帧是帧4。已经存储在缓冲器140中的较早接收到的帧是帧2和3。帧4在先前接收到的帧3之后受缓冲。
换言之，TV缓冲器140可以存储允许缓冲器中的最低编号帧(即接收为所缓冲的帧中的最早帧的帧)在意图的预测时段将当前帧看作在未来出现的帧所需的帧的编号。在示例中，对于预测时段-tc，缓冲器140仅需要存储当前帧(帧4)和先前接收到的帧(帧3)。对于预测时段-2tc，缓冲器140需要存储从帧4到帧2的帧，依此类推。因此，分析组件的训练部分可以通过使用受延迟达tfuture的数据帧的数据流来改进较晚预测，从而训练部分感知为当前训练帧的帧实际上反映交通控制系统在过去的状态，并且可以看作从-tc到-tfuture tc的交通灯状况。监控系统因此能够确定在时间：-tc、-2tc、……-(tfuture-1)tc、-tfuture tc的交通灯的“未来”状况。
训练集合发生器150可以于是将较早接收到的所缓冲的帧与未来帧的灯信号值关联。在示例中，帧3与包括当前帧4中可用的交通控制系统的当前灯信号的训练信号矢量TSV关联。较早接收到的帧2与帧3的未来训练信号矢量(TSV)关联，依此类推。对于预测时段-2tc，训练集合发生器150将把较早接收到的帧2与当前帧4的TSV关联，依此类推。也就是说，与训练矢量缓冲器组合的训练集合发生器可以将任何所缓冲的较早接收到的帧与对应实际帧的TSV关联，其中，较早接收到的帧与当前帧之间的时间间隔对应于可以计算预测值的时间间隔。
所描述的训练方法允许在线学习和离线学习。(在交通控制系统的操作期间的)在线学习的优点在于，对交通灯程序的改变在其正运行的同时得以自动地学习，并且无需任何手动人工介入。此外，无需关于交通灯程序自身的显式信息，因为该信息在交通控制系统的切换周期中是隐式地可用的。
因为支持矢量机器的训练是计算量巨大的任务，而支持矢量机器所计算的预测是计算量不巨大的，所以在线学习情境可以分离训练和预测。因为真实世界交通流量正随着例如道路网络的改变、驾驶者的行为改变以及交通灯程序的改变所产生时间而改变，所以在线训练有利于长期将预测精度保持得很高。因此，在示例中，训练支持矢量机器(SVM)160训练判断边界，其充当对预测支持矢量机器170的输入，从而预测支持矢量机器170使用受训练的判断边界以预测未来信号状况。换言之，SVM 160对于每个新的训练集合训练新的判断边界，从而交通流量的改变得以表示在某时间之后的边界中，其然后注入到预测支持矢量机器170中，从而其预测考虑交通流量的改变。
对于每个时间[-tc，-2tc，……，-(tfuture-1)tc，-tfuture tc]，对于交通控制系统的每个交通灯信号训练SVM。通过使用图8所示的数据帧及其对应未来信号状况来训练每个SVM。在训练之后，对于每个交通信号计算tfuture支持矢量机器的列表。
可以通过概率估计对于单个交通灯信号训练tfuture支持矢量机器，从而对于每个支持矢量机器计算置信度分数。这些训练方法的示例由Chang、Chih-Chung和Chih-Jen Lin公开于"LIBSVM:A library for support vector machines",ACM Transactions onIntelligent Systems and Technology(TIST)2.3(2011):27中。因为关于所有tfuture状况的置信度等级是已知的并且可以用在SPaT消息内以提供关于预测的精度信息，所以这允许更精细粒度的预测。
支持矢量机器可以使用径向基函数或任何另外内核函数(例如线性函数、多项式函数或高斯基函数)。
判断边界由预测支持矢量机器170应用于当前帧4，关于各个预测时段提供关于交通控制系统的灯信号的各个预测结果。在示例中，详细示出对于预测时段-tc关于帧4的灯信号预测的计算。相应地计算关于其它预测时段-2tc、……的预测。
预测子模块也消耗分析组件的训练模块所处理的帧。然而，对于预测，非延迟的数据流用于产生预测帧。在受训练的支持矢量机器上生成每个预测帧，以预测在时间[-tc，-2tc，……，(tfuture-1)tc，tfuture tc]的信号状况。如果概率估计也受训练，则计算用于每个预测的置信度等级。预测和置信度等级(如果可用)转发到外送状态提供组件，其中，数据公开给外部系统或设备(例如车辆控制系统)。
监控系统可以被配置为：计算关于预测时段的范围的预测。各种结果可以最终由信号预测融合组件180融合为包括对于整个预测时段范围的关于帧4的所有信号预测的单个数据结构190。图1中的消息M1至M3可以包括这些融合的信号预测。
示例情境绿灯优化速度建议(GLOSA)：
城区中的车辆流通典型地归因于管制穿过城市的车辆移动的变化的交通条件和交通灯而经受频繁停止和速度改变。因此，车辆消耗更多的能量，并且在不同的子系统(例如刹车)中具有增加的磨损。
公知的是，如果车辆(或其驾驶者)预先获知是否可能到达即将到来的交通灯信号以及车辆应以何种速度流通以使得停止的数量最小化，则可以避免很多突然的速度变化。
在GLOSA情境中，交通灯的当前状态广播到处于预定距离内并且接近(例如十字路口处的)交通灯的车辆。此外，关于十字路口拓扑自身的信息以及十字路口处的每个交通信号的预期灯相位调度(所预测的灯信号状态)广播到车辆。可以按SPaT和/或MAP消息格式来发送对应的所发送的消息中的信息。例如，在来自2009-11-19的US标准J2735版本201509中指定SPaT消息。
接近十字路口的车辆可以接收该信息，并且将其与预期路线相关，以确定优化的近似速度。优化的近似速度允许车辆改进能效并且显著地减少不必要的停止的数量。
在GLOSA情境中，外送状态提供组件可以将状态预测结果转发到车辆系统协调器系统。
车辆系统协调器系统然后根据车辆的位置和朝向来确定哪些车辆应接收所预测的状态信息，并且将有关交通灯相位预测信息转发到所标识的车辆。车辆接收信息，并且相应地调整它们的动力总成系统。如果特定车辆能够在所允许的速度限制和交通条件内在绿灯下到达十字路口的交通灯，则车辆调整其速度以到达绿灯。如果车辆不可能到达绿灯，则车辆系统可以通知驾驶者，并且可以准备减慢车辆速度，以避免在红灯下穿越。此外，这样避免突然的和危险的刹车操纵。
图9是示出可以通过在此所描述的技术而得以使用的普通计算机设备900和普通移动计算机设备950的示例的示图。计算设备900意图表示各种形式的数字计算机(例如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机以及其它适当的计算机)。普通计算机设备可以(900)对应于图1的计算机系统100。计算设备950意图表示各种形式的移动设备(例如个人数字助理、蜂窝电话、智能电话、驾驶辅助系统或车辆(例如车辆401、402、403，参见图1)的板载计算机以及其它相似的计算设备)。例如，计算设备950可以包括图1所示的代理设备的数据存储组件和/或处理组件。在此所示的组件、它们的连接和关系以及它们的功能仅表示为示例性的，而非表示为限制该文献中所描述和/或要求的本发明的实现方式。
计算设备900包括处理器902、存储器904、存储设备906、连接到存储器904和高速扩展端口910的高速接口908以及连接到低速总线914和存储设备906的低速接口912。组件902、904、906、908、910和912中的每一个是使用各种总线互连的，并且可以安装在公共主板上或以适当的其它方式得以安装。处理器902可以处理用于计算设备900内执行的指令，包括存储器904中或存储设备906上可以存储的用于在外部输入/输出设备(例如耦合到高速接口908的显示器916)上显示关于GUI的图形信息的指令。在其它实现方式中，连同多个存储器和/或多种类型的存储器一起适当地使用多个处理器和/或多种总线。此外，可以连接多个计算设备900，其中，每个设备提供必要操作的部分(例如作为服务器组、刀片服务器组或多处理器系统)。
存储器904将信息存储在计算设备900内。在一种实现方式中，存储器904是一个或多个易失性存储器单元。在另一种实现方式中，存储器904是一个或多个非易失性存储器单元。存储器904也可以是另一形式的计算机可读介质(例如磁盘或光盘)。
存储设备906能够提供用于计算设备900的海量存储。在一种实现方式中，存储设备906可以是或可以包含计算机可读介质(例如软盘设备、硬盘设备、光盘设备、或带式设备、闪存或另外相似的固态存储器设备或设备阵列)，包括存储域网或其它配置中的设备。计算机程序产品可以有形地实施在信息载体上。计算机程序产品可以还包含当执行时执行一种或多种方法(例如上述方法)的指令。信息载体是计算机或机器可读介质(例如存储器904、存储设备906或处理器902上的存储器)。
高速控制器908管理用于计算设备900的带宽密集操作，而低速控制器912管理较低带宽密集操作。这些功能的分配仅是示例性的。在一种实现方式中，高速控制器908耦合到存储器904、(例如通过图形处理器或加速器耦合到)显示器916、以及高速扩展端口910，其可以接受各种扩展卡(未示出)。在实现方式中，低速控制器912耦合到存储设备906和低速扩展端口914。可以包括各种通信端口(例如USB、蓝牙、无线以太网)的低速扩展端口可以耦合到一个或多个输入/输出设备(例如键盘、指点设备、扫描器或(例如通过网络适配器耦合到)连网设备(例如交换机或路由器))。
可以通过多种不同形式来实现计算设备900，如图所示。例如，其可以实现为标准服务器920，或多次在这些服务器组中。其也可以实现为机架服务器系统924的部分。此外，其可以实现于个人计算机(例如膝上型计算机922)中。替代地，来自计算设备900的组件可以与移动设备(未示出)(例如设备950)中的其它组件组合。这些设备中的每一个可以包含计算设备900、950中的一个或多个，并且彼此进行通信的多个计算设备900、950可以构成整个系统。
在其它组件当中，计算设备950包括处理器952、存储器964、输入/输出设备(例如显示器954、通信接口966以及收发机968)。设备950可以还具备存储设备(例如微驱动器或另外设备)，以提供附加存储。组件950、952、964、954、966和968中的每一个是使用各种总线互连的，并且若干组件可以安装在公共主板上或以适当的其它方式得以安装。
处理器952可以执行计算设备950内的指令，包括存储器964中所存储的指令。处理器可以实现为包括分离的多个模拟处理器和数字处理器的芯片的芯片集。处理器可以提供例如设备950的其它组件的协调(例如用户接口的控制、设备950所运行的应用以及设备950进行的无线通信)。
处理器952可以通过耦合到显示器954的控制接口958以及显示接口956与用户进行通信。显示器954可以是例如TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器或其它适当的显示技术。显示接口956可以包括用于驱动显示器954以将图形或其它信息呈现给用户的适当电路。控制接口958可以从用户接收命令，并且转换它们，以用于提交给处理器952。此外，可以提供与处理器952进行通信的外部接口962，从而使得能够进行设备950与其它设备的近区域通信。外部接口962可以提供例如在一些实现方式中的有线通信或在其它实现方式中的无线通信，并且多个接口也可以得以使用。
存储器964将信息存储在计算设备950内。存储器964可以实现为一个或多个计算机可读介质、一个或多个易失性存储器单元或一个或多个非易失性存储器单元中的一个或多个。扩展存储器984也可以得以提供并且通过可以包括例如SIMM(单列直插存储器模块)卡接口的扩展接口982连接到设备950。该扩展存储器984可以对设备950提供额外存储空间，并且也可以存储关于设备950的应用或其它信息。具体地说，扩展存储器984可以包括用于执行或补充上述处理的指令，并且可以还包括安全信息。因此，例如，扩展存储器984可以充当用于设备950的安全性模块，并且可以编程有允许安全使用设备950的指令。此外，可以连同附加信息一起经由SIMM卡(例如，以不可破解的方式将标识信息放置在SIMM卡上)提供安全应用。
存储器可以包括例如闪存和/或NVRAM存储器，如下所述。在一种实现方式中，计算机程序产品有形地实施在信息载体中。计算机程序产品包含当执行时执行一种或多种方法(例如上述方法)的指令。信息载体是可以例如通过收发机968或外部接口962接收的计算机或机器可读介质(例如存储器964、扩展存储器984或处理器952上的存储器)。
设备950可以通过可以在必要的情况下包括数字信号处理电路的通信接口966以无线方式进行通信。其中，通信接口966可以在各种模式或协议(例如GSM语音呼叫、SMS、EMS或MMS消息传送、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS)下提供通信。这些通信可以例如通过射频收发机968而产生。此外，短距离通信可以例如使用蓝牙、WiFi或另外这样的收发机(未示出)而产生。此外，GPS(全球定位系统)接收模块980可以将附加的与导航和位置有关的无线数据提供给设备950，其可以由设备950上运行的应用适当地使用。
设备950也可以使用可以从用户接收所说出的信息并且将其转换为可用的数字信息的音频编解码器960以听觉方式进行通信。音频编解码器960可以类似地例如通过例如在设备950的手机中的扬声器生成用于用户的听觉声音。这些声音可以包括来自语音电话呼叫的声音，可以包括所记录的声音(例如语音消息、音乐文件等)，并且可以还包括设备950上操作的应用所生成的声音。
可以通过多种不同形式来实现计算设备950，如图所示。例如，其可以实现为蜂窝电话980。其也可以实现为智能电话982、个人数字助理或另外相似的移动设备的部分。
可以在数字电子电路、集成电路、专用ASIC(专用集成电路)、计算机硬件、固件、软件和/或其组合中实现在此所描述的和技术系统的各种实现方式。这些各种实现方式可以包括可在包括耦合为将数据和指令接收自并且发送到存储系统、至少一个输入设备以及至少一个输出设备的可以是专用或通用的至少一个可编程处理器的可编程系统上执行和/或解释的一个或多个计算机程序中的实现方式。
这些计算机程序(又称为程序、软件、软件应用或代码)包括用于可编程处理器的机器指令，并且可以通过高级过程和/或面向对象的编程语言和/或通过汇编/机器语言得以实现。如在此所使用的那样，术语“机器可读介质”和“计算机可读介质”指代用于将机器指令和/或数据提供给包括接收机器指令作为机器可读信号的机器可读介质的可编程处理器的任何计算机程序产品、装置和/或设备(例如磁盘、光盘、存储器、可编程逻辑器件(PLD))。术语“机器可读信号”指代用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，在此所描述的系统和技术可以实现在具有用于将信息显示给用户的显示设备(例如CRT(阴极射线管)或LCD(液晶显示器)监视器)以及用户可以将输入提供给计算机的键盘和点击设备(例如鼠标或轨迹球)的计算机上。其它种类的设备同样可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感觉反馈(例如视觉反馈、听觉反馈、或触觉反馈)；并且可以通过任何形式(包括声学输入、话音输入或触觉输入)来接收来自用户的输入。
可以在包括后端组件(例如数据服务器)或包括中间件组件(例如应用服务器)或包括前端组件(例如具有用户可以与在此所描述的系统和技术的实现方式进行交互的图形用户接口或Web浏览器的客户机计算机)或这些后端组件、中间件组件、或前端组件的任何组合的计算设备中实现在此所描述的系统和技术。系统的组件可以通过任何形式的数字数据通信的介质(例如通信网络)而互连。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)以及互联网。
计算设备可以包括客户机和服务器。客户机和服务器通常距彼此远程，并且典型地通过通信网络而交互。客户机和服务器的关系通过在各个计算机上运行并且具有对彼此的客户机-服务器关系的计算程序而产生。
已经描述了多个实施例。然而，应理解，可以在不脱离本发明的精神和范围的情况下进行各种修改。
此外，附图中描述的逻辑流程不要求所示的特定顺序或依次顺序，以实现期望的结果。此外，可以从所描述的流程提供其它步骤，或可以消除步骤，并且其它组件可以添加到或移除自所描述的系统。相应地，其它实施例处于所附权利要求的范围内。

Claims (13)

1.一种用于交通控制系统的监控系统(100)，所述交通控制系统包括多个交通灯(301至305)，所述监控系统(100)包括：
内送接口组件(110)，被配置为：从多个静态安装的视觉传感器(201至205)接收传感器数据流，其中，每个视觉传感器被配置为：捕获所述交通灯中的至少一个的灯信号，并且每个交通灯是由所述视觉传感器中的至少一个感测的，接收到的传感器数据包括每个交通灯的当前信号状态；
分析组件(120)，被配置为：基于使用应用于当前信号状态数据以及先前接收到的信号状态数据的机器学习算法而预测关于所述多个交通灯中的一个或多个交通灯的至少一个未来信号状态，所述至少一个未来信号状态包括所述当前信号状态将从当前信号状态切换到所述至少一个未来信号状态的预期时间点；以及
外送状态提供组件(130)，被配置为：将至少一条消息(M1、M2、M3)发送到车辆(401、402、403)，其中，所述至少一条消息包括至少一个交通灯(302、303、304)的所述当前信号状态和所述至少一个未来信号状态，所发送的消息被配置为：影响所述车辆的操作，
其中，所述内送接口组件(110)进一步被配置为：复制接收到的传感器数据流，并且针对两个传感器数据流之一延迟另一个，以及
其中，所述分析组件(120)进一步被配置为：将延迟的传感器数据流用作用于所述机器学习算法的训练流，并且使用非延迟的数据流，以用于预测信号状态改变。
2.如权利要求1所述的监控系统，其中，所述多个视觉传感器包括具有包括所述交通灯中的至少一个的视场(FOV1、FOV2)的至少一个数字相机(201、202)，和/或其中，所述多个视觉传感器包括安装在各个交通灯(305)上以测量所述各个交通灯(305)所发射的光的至少一个光电池(203、204、205)。
3.如权利要求1所述的监控系统，其中，所述视觉传感器(202)与车道特定交通灯(302、303、304)关联。
4.如权利要求1所述的监控系统，其中，所发送的消息(M1、M2、M3)包括与所述车辆所执行的SPaT和/或MAP应用有关的数据。
5.如权利要求1所述的监控系统，其中，
所述内送接口组件(110)进一步被配置为：按等距时间间隔从接收到的传感器数据流生成具有信号状态数据的另一数据流，其中，多个连续时间间隔形成适合作为用于所述机器学习算法的输入数据的数据帧。
6.如权利要求1所述的监控系统，其中，
所述内送接口组件(110)进一步被配置为：从多个静态安装的其它传感器(211至214)接收另一传感器数据流，其中，每个其它传感器与各个交通灯关联，并且包括关于所述各个交通灯的交通状态，所述交通状态是用于所述各个交通灯所影响的当前交通的指示符；以及
所述分析组件(120)进一步被配置为：在所述机器学习算法中使用接收到的交通状态传感器数据，以用于预测所述各个关联交通灯的未来信号状态。
7.如前述权利要求中的任一项所述的监控系统，其中，
所述内送接口组件(110)进一步被配置为：从交通管理系统接收用于一个或多个交通灯的交通灯程序数据，所述交通灯程序数据包括关于控制所述相应一个或多个交通灯的灯信号切换的信息；
所述分析组件(120)进一步被配置为：在所述机器学习算法中使用接收到的交通灯程序数据，以用于预测所述相应一个或多个交通灯的未来信号状态。
8.一种用于监控交通控制系统的计算机实现的方法，所述交通控制系统包括多个交通灯，所述方法包括：
从多个静态安装的视觉传感器接收(1100)传感器数据，其中，每个视觉传感器被配置为：捕获所述交通灯中的至少一个的灯信号，并且每个交通灯是由所述视觉传感器中的至少一个感测的，接收到的传感器数据反映每个交通灯的当前信号状态；
基于使用应用于当前信号状态数据以及先前接收到的信号状态数据的机器学习算法而预测(1200)关于所述多个交通灯中的一个或多个交通灯的至少一个未来信号状态，所述至少一个未来信号状态包括所述当前信号状态将从当前信号状态切换到所述未来信号状态的预期时间点；以及
将至少一条消息发送(1300)到车辆，其中，所述至少一条消息包括至少一个交通灯的当前信号状态和至少一个未来信号状态，所发送的消息被配置为：影响所述车辆的操作，
其中，所述接收(1100)步骤还包括：
复制(1110)接收到的传感器数据流，以及
针对两个传感器数据流之一延迟(1120)另一个；以及
其中，所述预测(1200)步骤还包括：
使用(1210)延迟的传感器数据流作为用于所述机器学习算法的训练流，以及
使用(1220)非延迟的数据流，以用于在线预测信号状态改变。
9.如权利要求8所述的方法，其中，接收到的传感器数据源自具有包括所述交通灯中的至少一个的视场的至少一个数字相机和/或安装在各个交通灯上以测量所述各个交通灯所发射的光的至少一个光电池。
10.如权利要求8所述的方法，其中，所发送的消息包括车道特定状态数据，其被配置为：仅在所述车辆处于各个车道上的情况下影响所述车辆的操作。
11.如权利要求8所述的方法，其中，所发送的消息包括与所述车辆所执行的SPaT和/或MAP应用有关的数据。
12.如权利要求8至11中的任一项所述的方法，其中，所述接收步骤还包括：
从多个静态安装的其它传感器(211-215)接收另一传感器数据流，其中，每个其它传感器与各个交通灯关联，并且包括关于所述各个交通灯的交通状态，所述交通状态是用于所述各个交通灯所影响的当前交通的指示符；以及
其中，所述预测(1200)步骤还包括：
在所述机器学习算法中使用(1250)接收到的交通状态传感器数据，以用于预测所述各个关联交通灯的未来信号状态。
13.一种计算机可读介质，存储了程序产品，其当加载到用于交通控制系统的监控系统的存储器中并且由所述监控系统的至少一个处理器执行时执行如权利要求8至12中的任一项所述的计算机实现的方法的步骤。
CN201610816541.0A 2015-09-21 2016-09-12 用于监控交通系统的计算机系统和方法 Active CN107025794B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP15186008.7A EP3144918B1 (en) 2015-09-21 2015-09-21 Computer system and method for monitoring a traffic system
EP15186008.7 2015-09-21

Publications (2)

Publication Number Publication Date
CN107025794A CN107025794A (zh) 2017-08-08
CN107025794B true CN107025794B (zh) 2020-07-07

Family

ID=54196802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610816541.0A Active CN107025794B (zh) 2015-09-21 2016-09-12 用于监控交通系统的计算机系统和方法

Country Status (6)

Country Link
US (1) US9947219B2 (zh)
EP (1) EP3144918B1 (zh)
CN (1) CN107025794B (zh)
AU (1) AU2016206230B2 (zh)
HU (1) HUE038758T2 (zh)
SG (1) SG10201605893XA (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9145140B2 (en) * 2012-03-26 2015-09-29 Google Inc. Robust method for detecting traffic signals and their associated states
US10899374B2 (en) * 2015-01-12 2021-01-26 The Island Radar Company Video analytic sensor system and methods for detecting railroad crossing gate position and railroad occupancy
US9990548B2 (en) * 2016-03-09 2018-06-05 Uber Technologies, Inc. Traffic signal analysis system
JP6625932B2 (ja) * 2016-05-31 2019-12-25 株式会社東芝 監視装置及び監視システム
EP3267418A1 (en) * 2016-07-06 2018-01-10 Volvo Car Corporation A method for performing a real time analysis of traffic light related data
US9747793B1 (en) 2016-08-21 2017-08-29 International Business Machines Corporation Transportation vehicle traffic management
US10276043B2 (en) * 2016-12-22 2019-04-30 GM Global Technology Operations LLC Vehicle system using vehicle-to-infrastructure and sensor information
US20180180423A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for individualized route management with a macro managed traffic infrastructure
EP3358542B1 (en) * 2017-02-01 2020-12-09 Kapsch TrafficCom AG A method of predicting a traffic behaviour in a road system
FR3062944B1 (fr) * 2017-02-10 2021-05-14 Continental Automotive France Procede de detection de faux-positifs relatifs a un feu de signalisation
CZ308083B6 (cs) * 2017-03-21 2019-12-27 Varroc Lighting Systems, s.r.o. Komunikační zařízení motorového vozidla
DE102017208878B4 (de) * 2017-05-24 2021-02-25 Vitesco Technologies GmbH Verfahren zum Prognostizieren zumindest eines Ampelschaltzustands während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug
DE102017213350A1 (de) * 2017-08-02 2019-02-07 Siemens Aktiengesellschaft Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
US11176811B2 (en) * 2019-11-21 2021-11-16 Transportation Ip Holdings, Llc System and method for monitoring traffic control devices
EP3719692A4 (en) * 2017-12-21 2020-12-30 Huawei Technologies Co., Ltd. INFORMATION DETECTION METHOD AND MOBILE DEVICE
DE102017223579A1 (de) * 2017-12-21 2019-06-27 Siemens Aktiengesellschaft System und Verfahren zum Unterstützen einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements
US10902720B2 (en) 2018-02-09 2021-01-26 Here Global B.V. Traffic light signal adjustment notification improvement
US11055991B1 (en) 2018-02-09 2021-07-06 Applied Information, Inc. Systems, methods, and devices for communication between traffic controller systems and mobile transmitters and receivers
US11551111B2 (en) * 2018-04-19 2023-01-10 Ptc Inc. Detection and use of anomalies in an industrial environment
US11334753B2 (en) 2018-04-30 2022-05-17 Uatc, Llc Traffic signal state classification for autonomous vehicles
US11380194B2 (en) 2018-08-17 2022-07-05 Google Llc Reducing vehicular congestion at an intersection
US11532228B2 (en) 2018-08-22 2022-12-20 Starship Technologies Oü Method and system for traffic light signal detection and usage
SE1851025A1 (en) * 2018-08-30 2020-03-01 Scania Cv Ab Method and control arrangement for calculating an appropriate vehicle speed
DE102018214826A1 (de) * 2018-08-31 2020-03-05 Deutsches Zentrum für Luft- und Raumfahrt e.V. Funkmodul für Verkehrsampel und Verfahren zum Erfassen des Leuchtzustandes einer Verkehrsampel
US11205345B1 (en) 2018-10-02 2021-12-21 Applied Information, Inc. Systems, methods, devices, and apparatuses for intelligent traffic signaling
JP6908197B2 (ja) * 2018-10-12 2021-07-21 住友電気工業株式会社 信号情報配信システム、及び信号情報配信方法
US10970569B2 (en) 2018-11-19 2021-04-06 Toyota Motor North America, Inc. Systems and methods for monitoring traffic lights using imaging sensors of vehicles
DE102018221046A1 (de) * 2018-12-05 2020-06-10 Siemens Mobility GmbH Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung
CO2018014222A1 (es) * 2018-12-26 2019-01-31 Rendon Walter Rolando Galvez Dispositivo universal de captura inalámbrica de datos de señales viales semáforos en tiempo real, autónomo solar.
US11087152B2 (en) 2018-12-27 2021-08-10 Intel Corporation Infrastructure element state model and prediction
CN113840765A (zh) * 2019-05-29 2021-12-24 御眼视觉技术有限公司 用于车辆导航的系统和方法
JP6825754B1 (ja) * 2019-06-20 2021-02-03 住友電気工業株式会社 車載通信システム、スイッチ装置、機能部、通信制御方法および通信制御プログラム
DE102019213106A1 (de) * 2019-08-30 2021-03-04 Siemens Mobility GmbH Verfahren und Vorrichtung zur Prognose eines Schaltzustands und/oder eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung
EP3813034A1 (de) * 2019-10-22 2021-04-28 Siemens Mobility GmbH Verfahren zum bestimmen eines angepassten aktuellen restzeitwerts für eine anlage
RU2764223C2 (ru) 2019-12-25 2022-01-14 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и система для определения состояния светофора
US11431245B2 (en) * 2020-01-29 2022-08-30 Chaoyang Semiconductor (Shanghai) Co., Ltd. Three stage power delivery system
CN111950536A (zh) 2020-09-23 2020-11-17 北京百度网讯科技有限公司 信号灯图像的处理方法、装置、计算机系统和路侧设备
US11948454B2 (en) * 2020-10-30 2024-04-02 Honda Research Institute Europe Gmbh Method and system for enhancing traffic estimation using top view sensor data
EP4002044A1 (en) 2020-11-13 2022-05-25 Volkswagen Ag Vehicle, methods, computer programs, and apparatuses for tele-operated driving
US11868938B1 (en) * 2022-09-15 2024-01-09 Pitt-Ohio Method and an apparatus for determining a greenhouse gas impact of operator maneuver
HK30077371A2 (en) * 2022-09-19 2023-03-03 Signal monitoring system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867428A (zh) * 2012-09-12 2013-01-09 浙江吉利汽车研究院有限公司杭州分公司 一种汽车红绿灯自动报警装置
DE102012108863A1 (de) * 2012-09-20 2014-05-28 Continental Teves Ag & Co. Ohg Verfahren zur Erkennung eines Ampelzustands mittels einer Kamera
CN104134364A (zh) * 2014-07-29 2014-11-05 电子科技大学 具有自我学习能力的实时交通信号识别方法及系统
CN104442833A (zh) * 2013-09-11 2015-03-25 福特全球技术公司 降低停车灯用制动的方法和系统
DE102014003781B4 (de) * 2014-03-15 2016-07-21 Audi Ag Fahrerassistenzsystem für ein Kraftfahrzeug und zugehöriges Betriebsverfahren

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4456855B2 (ja) * 2003-12-08 2010-04-28 富士重工業株式会社 車両の走行制御装置
US6989766B2 (en) * 2003-12-23 2006-01-24 International Business Machines Corporation Smart traffic signal system
US7495579B2 (en) * 2005-06-13 2009-02-24 Sirota J Marcos Traffic light status remote sensor system
US20080300776A1 (en) * 2007-06-01 2008-12-04 Petrisor Gregory C Traffic lane management system
US8384560B2 (en) * 2008-03-11 2013-02-26 Kapsch Trafficcom Ivhs Inc. Real-time vehicle position determination using communications with variable latency
JP5093398B2 (ja) * 2009-03-11 2012-12-12 トヨタ自動車株式会社 運転支援装置
US9207091B2 (en) * 2011-04-21 2015-12-08 Mitsubishi Electric Corporation Drive assistance device
US8878695B2 (en) * 2011-06-27 2014-11-04 Stc, Inc. Signal light priority system utilizing estimated time of arrival
GB201118432D0 (en) * 2011-10-25 2011-12-07 Tomtom Dev Germany Gmbh Detecting traffic light cycle and transition times from GPS probe data
JP5397452B2 (ja) * 2011-11-01 2014-01-22 トヨタ自動車株式会社 運転支援装置
US9564049B2 (en) * 2012-08-24 2017-02-07 Traffic Emergency Displays, Inc. Electronic traffic alert system
JP5908125B2 (ja) * 2013-01-25 2016-04-26 三菱電機株式会社 移動支援装置および移動支援方法
US8972145B2 (en) 2013-03-15 2015-03-03 Bayerische Motoren Werke Aktiengesellscahft Systems and methods for predicting traffic signal information
US9928738B2 (en) * 2013-04-12 2018-03-27 Traffic Technology Services, Inc. Red light warning system based on predictive traffic signal state data
US8819313B1 (en) * 2013-07-19 2014-08-26 Superior Traffic Systems, LLC Traffic management system
CN104751654B (zh) * 2013-12-31 2017-09-26 中国移动通信集团公司 一种交通控制方法、网络侧设备及终端
WO2016018936A1 (en) * 2014-07-28 2016-02-04 Econolite Group, Inc. Self-configuring traffic signal controller
US9707960B2 (en) * 2014-07-31 2017-07-18 Waymo Llc Traffic signal response for autonomous vehicles
DE102014220935A1 (de) * 2014-10-15 2016-04-21 Continental Automotive Gmbh Verfahren zur Fahrassistenz unter Berücksichtigung einer Signalanlage
JP6336888B2 (ja) * 2014-10-24 2018-06-06 株式会社デンソー 隣接車線監視装置
JP5880904B1 (ja) * 2014-11-20 2016-03-09 パナソニックＩｐマネジメント株式会社 端末装置
JP6298772B2 (ja) * 2015-01-14 2018-03-20 日立オートモティブシステムズ株式会社 車載用制御装置、自車位置姿勢特定装置、車載用表示装置
WO2016116958A1 (ja) * 2015-01-19 2016-07-28 株式会社東芝 系列データ分析装置及プログラム
JP6225927B2 (ja) * 2015-02-02 2017-11-08 トヨタ自動車株式会社 車両状態予測システム
DE102015224112A1 (de) * 2015-12-02 2017-06-08 Bayerische Motoren Werke Aktiengesellschaft System zur Beeinflussung von Fahrzeugsystemen durch Berücksichtigung relevanter Signalgeber
CN106898147A (zh) * 2015-12-18 2017-06-27 英业达集团（北京）电子技术有限公司 收集车辆与路口信息以控制车辆速度的系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867428A (zh) * 2012-09-12 2013-01-09 浙江吉利汽车研究院有限公司杭州分公司 一种汽车红绿灯自动报警装置
DE102012108863A1 (de) * 2012-09-20 2014-05-28 Continental Teves Ag & Co. Ohg Verfahren zur Erkennung eines Ampelzustands mittels einer Kamera
CN104442833A (zh) * 2013-09-11 2015-03-25 福特全球技术公司 降低停车灯用制动的方法和系统
DE102014003781B4 (de) * 2014-03-15 2016-07-21 Audi Ag Fahrerassistenzsystem für ein Kraftfahrzeug und zugehöriges Betriebsverfahren
CN104134364A (zh) * 2014-07-29 2014-11-05 电子科技大学 具有自我学习能力的实时交通信号识别方法及系统

Also Published As

Publication number Publication date
HUE038758T2 (hu) 2018-11-28
CN107025794A (zh) 2017-08-08
EP3144918A1 (en) 2017-03-22
EP3144918B1 (en) 2018-01-10
US20170084172A1 (en) 2017-03-23
US9947219B2 (en) 2018-04-17
SG10201605893XA (en) 2017-04-27
AU2016206230B2 (en) 2020-11-26
AU2016206230A1 (en) 2017-04-06

Similar Documents

Publication Publication Date Title
CN107025794B (zh) 用于监控交通系统的计算机系统和方法
JP6962127B2 (ja) 信号機情報提供システムおよび信号機情報提供方法、ならびにそれに用いられるサーバ
US11151868B2 (en) Remote vehicle control at intersections
US11269331B2 (en) Multi-perspective system and method for behavioral policy selection by an autonomous agent
Koukoumidis et al. Leveraging smartphone cameras for collaborative road advisories
JP2021503414A (ja) 知的運転制御方法および装置、電子機器、プログラムならびに媒体
CN110910673B (zh) 一种提醒行人碰撞车辆的方法及系统、摄像头、移动终端
Fleck et al. Towards large scale urban traffic reference data: Smart infrastructure in the test area autonomous driving baden-württemberg
JP2021192284A (ja) 信号灯データ表示方法、装置、サーバ、端末、システムと媒体
US20190206244A1 (en) Traffic light control device, traffic light control method, and recording medium
US11954919B2 (en) Traffic light active learning pipeline
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
US20210021442A1 (en) Open and safe monitoring system for autonomous driving platform
Chen et al. Level 2 autonomous driving on a single device: Diving into the devils of openpilot
US11809790B2 (en) Architecture for distributed system simulation timing alignment
KR20210059493A (ko) 차로별 대기행렬 정보 생성 시스템 및 이를 이용한 차로별 대기행렬 정보를 생성하는 방법
US11669657B2 (en) Architecture for distributed system simulation with realistic timing
Bisht et al. Indigenous design of a Traffic Light Control system responsive to the local traffic dynamics and priority vehicles
US20210074154A1 (en) Managing anomalies and anomaly-affected entities
Blokpoel et al. Interoperable architecture between simulation and pilots for cooperative and automated driving
US11842637B2 (en) Methods and systems for managing traffic lights
US20210405641A1 (en) Detecting positioning of a sensor system associated with a vehicle
US20220250642A1 (en) High definition map updates using assets generated by an autonomous vehicle fleet
Zhao Energy-saving cyber-physical systems in smart cities
CN116434041A (zh) 错误感知数据的挖掘方法、装置、设备及自动驾驶车辆

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1241123

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant