CN114387799A - 一种路口红绿灯控制方法及设备 - Google Patents
一种路口红绿灯控制方法及设备 Download PDFInfo
- Publication number
- CN114387799A CN114387799A CN202111612352.9A CN202111612352A CN114387799A CN 114387799 A CN114387799 A CN 114387799A CN 202111612352 A CN202111612352 A CN 202111612352A CN 114387799 A CN114387799 A CN 114387799A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intersection
- lane
- time
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 126
- 238000005192 partition Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种路口红绿灯控制方法及设备,其属于交通安全技术领域。该方法获取路口车辆行驶图像,基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。基于数据地图,确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下,根据各变道时间,更新当前路口的红绿灯运行周期,以根据更新后的红绿灯运行周期,控制红绿灯系统运行。
Description
技术领域
本申请涉及交通安全技术领域,尤其涉及一种路口红绿灯控制方法及设备。
背景技术
随国家人口的增加以及大量人口涌入城市,企业日常通勤时间相对集中,造成在上下班时间段和节假日时间严重堵车。使驾驶人员浪费大量的宝贵时间,同时增加了驾驶员开车的疲劳度,增大了交通事故发生的可能性。
目前,交通拥堵主要在红绿灯路口段,红绿灯运行周期内,车辆可能进行变道行驶,影响直行通行车辆的通行时间,导致路口红绿灯无法将车辆进行最大程度地放行,导致上一红绿灯运行周期内的排队车辆滞留在路口,新到来的车辆无法及时通过路口。现有的红绿灯控制是按照预设时间来变灯,不会获取红绿灯路口的当前交通情况,更不会根据获取到的当前交通情况,智能地控制红绿灯。
发明内容
本申请实施例提供了一种路口红绿灯控制方法及设备,用于及时放行红绿灯路口的等待车辆,保障交通顺畅。
一方面,本申请提供了一种路口红绿灯控制方法,该方法包括:
获取路口车辆行驶图像。基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中,预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。基于数据地图,确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下,根据各变道时间,更新当前路口的红绿灯运行周期,以根据更新后的红绿灯运行周期,控制红绿灯系统运行。
在本申请的一种实现方式中,根据路口车辆行驶图像,确定相应的路口属性。路口属性包括:道路方向、道路宽度、道路类型。根据路口属性,确定相应的变道分割区块。变道分割区块用于将路口车道分割为若干判定子块。判定子块用于确定位于判定子块的车辆行驶状态。通过变道分割区块,将路口车辆行驶图像相应的各车道进行分割处理,以将分割处理后的路口车辆行驶图像,输入预设的变道意图识别模型。变道意图识别模型用于识别路口车辆行驶图像中各行驶车辆的车辆变道意图。
在本申请的一种实现方式中,将若干车辆变道图像输入待训练机器学习模型进行训练。通过待训练机器学习模型,确定各车辆变道图像的若干变道特征数据,直至待训练机器学习模型的预设损失函数收敛,得到训练完成的变道意图识别模型。将所述路口车辆行驶图像输入所述变道意图识别模型,确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差。将实时距离方差的变化量与第一预设值进行匹配。根据实时距离方差的变化量与第一预设值的匹配结果,首次确定车辆变道意图。
在本申请的一种实现方式中,在首次判定行驶车辆没有变道意图的情况下,通过变道意图识别模型,识别路口车辆行驶图像中各行驶车辆与车道行驶方向的偏移角度。在第一预设时间内,确定偏移角度的变化量是否大于第二预设值,并得到偏移角度的变化量是否大于第二预设值的判定结果。根据判定结果以及匹配结果,确定车辆变道意图。
在本申请的一种实现方式中,通过第二预设时间内的路口车辆行驶图像,确定车辆变道意图相应的待变道车道的车流量。根据车流量以及待变道车辆的变道位置,确定预设的变道时长表中相应的变道时间。其中,变道时长表通过预设神经网络模型,训练若干车辆变道时间样本得到的。
在本申请的一种实现方式中,以路口车辆行驶图像的采集地址为圆心,确定预设范围内的若干监管终端。向各监管终端发送状态确认信息。状态确认信息用于确定监管终端是否存在监管任务。在接收到各监管终端的反馈信息的情况下,基于反馈信息,确定不存在监管任务的各监管终端,为待选定终端。基于电子地图,确定各待选定终端的位置至采集地址的行驶时长。确定各行驶时长中最短行驶时长,为选定终端,并向选定终端发送数据地图。
在本申请的一种实现方式中,确定路口车辆行驶图像的采集时间。获取与采集时间相应的若干过去时间段的路口车辆通行量。其中,与采集时间相应的若干过去时间段的时间属性相同。时间属性至少包括以下一项或多项:节假日、工作日、时段。生成各路口车辆通行量的通行量曲线。通过滑动平均法,处理通行量曲线,并根据处理后的通行量曲线,确定通行量曲线相应的平均值,为预设阈值。
在本申请的一种实现方式中,获取区块链平台中的第一节点的导航数据。根据导航数据以及各行驶车辆的行驶车道,确定各行驶车辆在预设路径段的变道时间,以根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。
在本申请的一种实现方式中,根据更新后的红绿灯运行周期以及当前路口车辆的通行量,确定当前路口的车辆参考速度。将车辆参考速度发送至相应的显示终端。显示终端设置于当前路口。
另一方面,本申请实施例提供了一种路口红绿灯控制设备,该设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取路口车辆行驶图像。基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中,预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。基于数据地图,确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下,根据各变道时间,更新当前路口的红绿灯运行周期,以根据更新后的红绿灯运行周期,控制红绿灯系统运行。
通过上述方案,利用路口车辆行驶图像,确定道路行驶车辆的车辆变道意图,确定有变道意图的车辆的变道时间,并根据变道时间调整红绿灯运行周期。本申请可以智能地控制红绿灯,及时放行红绿灯路口的等待车辆,保障交通顺畅,同时提高道路参与者的红绿灯使用体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种路口红绿灯控制方法的一种流程示意图;
图2为本申请实施例中一种路口红绿灯控制方法的一种示意图;
图3为本申请实施例中一种路口红绿灯控制方法的另一种示意图;
图4为本申请实施例中一种路口红绿灯控制方法的再一种示意图;
图5为本申请实施例中一种路口红绿灯控制设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有的红绿灯控制是按照预设时间进行变灯,不会根据红绿灯路口的交通情况,及时、灵活地控制红绿灯,在特殊时间段,如上下班时间、节假日等,极易引起交通拥堵。
基于此,本申请实施例提供了一种路口红绿灯控制方法及设备,用来智能地控制红绿灯,及时放行红绿灯路口的等待车辆,保障交通顺畅。
以下结合附图,详细说明本申请的各个实施例。
本申请实施例提供了一种路口红绿灯控制方法,如图1所示,该方法可以包括步骤S101-S106:
S101,服务器获取路口车辆行驶图像。
在本申请实施例中,交通路口设置有图像采集设备,如电子眼、交通摄像头等设备,均可采集路口车辆行驶图像。路口车辆行驶图像可以是图像采集设备采集到的图片,也可以是实时的视频帧,本申请对此不作具体限定。
需要说明的是,服务器作为路口红绿灯控制方法的执行主体,仅为示例性存在,执行主体不仅限于服务器,本申请对此不作具体限定。
S102,服务器基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。
其中,预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。
在本申请实施例中,用户设置或服务器进行智能分析后,设置在各路口的预设范围内的路径段,为预设路径段。例如,在十字交叉路口A的第一道路的第一车道,沿车辆行驶方向的背向,从车辆停止线至100米的范围,为预设路径段;第二道路的第一车道,沿车辆行驶方向的背向,从车辆停止线至200米的范围,为预设路径段。
在本申请的一个实施例中,由于路口车辆行驶图像中车辆数量多,且行驶情况复杂。服务器基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图之前,还可以执行以下方法:
首先,服务器根据路口车辆行驶图像,确定相应的路口属性。
路口属性包括:道路方向、道路宽度、道路类型。
服务器可以对路口车辆行驶图像进行分析识别,从而确定道路方向、道路宽度、道路类型。路口车辆行驶图像包括路口各个方向的道路图像,例如一个东西、南北走向的十字道路交叉口的道路车辆行驶图像,包括东西走向、南北走向的道路图像。
通过服务器根据路口车辆行驶图像进行确定、识别路口属性,无需人工测量,解放人力资源。
然后,服务器根据路口属性,确定相应的变道分割区块。
变道分割区块用于将路口车道分割为若干判定子块。判定子块用于确定位于判定子块的车辆行驶状态。
服务器根据路口属性,可以通过匹配的方式,确定相应的变道分割区块,或者通过预设的变道分割区块算法,进行确定变道分割区块。其中,变道分割区块如图2所示,图2中道路201包括若干变道分割区块形成的判定子块202。各种路口属性对应的变道分割区块的面积大小不同。判定子块可以限定车辆的位置,判定位于判定子块内部的车辆的车辆行驶状态,车辆行驶状态包括掉头、转弯、直行、等待等。
例如,服务器中预先设置有路口属性与变道分割区块的对应关系,如道路方向B、道路宽度C、道路类型D的路口属性,可以对应于面积大小为E的变道分割区块。道路宽度宽,道路类型为公交车道的路口属性,对应的面积大小的变道分割区块可能比其他私家车车道的变道分割区块大。
再例如,服务器可以通过预设有变道分割区块算法,在服务器将路口属性相应的数据输入到变道分割区块算法中之后,变道分割区块算法可以计算路口属性所适应的面积大小合适的变道分割区块。
最后,服务器通过变道分割区块,将路口车辆行驶图像相应的各车道进行分割处理,以将分割处理后的路口车辆行驶图像,输入预设的变道意图识别模型。
变道意图识别模型用于识别路口车辆行驶图像中各行驶车辆的车辆变道意图。
服务器可以通过变道分割区块,分割路口车辆行驶图像中道路的各个车道,分割以后,服务器将分割的相应的带有判定子块的图像,输入预设的变道意图识别模型中,进行识别各行驶车辆的车辆变道意图。变道意图识别模型可以是神经网络模型、卷积神经网络模型,本申请对此不作具体限定。
通过上述方案,可以将路口各车道内各个位置上的车辆行驶状态进行识别,确定车辆变道意图,保证车辆变道意图识别的准确性。并保障在生产数据地图时,信息的准确性,得到准确地红绿灯运行周期。
在本申请的一个实施例中,判定子块中还可以包含有若干的判定子块,如图3所示。通过细分判定子块,保证变道意图识别模型识别车辆变道意图的准确性。
在本申请实施例中,服务器基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图,具体包括:
首先,服务器将若干车辆变道图像输入待训练机器学习模型进行训练。
待训练机器学习模型可以是神经网络模型,如VGG模型、GoogLeNet。
其次,服务器通过待训练机器学习模型,确定各车辆变道图像的若干变道特征数据,直至待训练机器学习模型的预设损失函数收敛,得到训练完成的变道意图识别模型。
预设损失函数可以在实际使用过程中进行设定,如铰链损失函数、交叉熵损失函数、指数损失函数。
再次,服务器通过变道意图识别模型,确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差。
服务器可以通过变道意图识别模型,计算预设的时间(连续的时间)路口车辆行驶图像中同一车辆的行驶轨迹,并在确定该车辆的行驶轨迹过程中,计算该车辆与其车道两边的车道线的实时距离。根据该实时距离,服务器可以计算实时距离方差。其中,行驶轨迹与车道线的实时距离方差,可以是与两条车道线中任意一条车道线的实时距离方差。
然后,服务器将实时距离方差的变化量与第一预设值进行匹配。
在本申请实施例中,第一预设值可以是通过爬取车辆变道时,车辆与车道线之间的距离的网络数据得到的。服务器可以将实时距离方差的变化量与第一预设值进行匹配,匹配可以是进行计算差值或比较大小等方式。
最后,服务器根据实时距离方差的变化量与第一预设值的匹配结果,首次确定车辆变道意图。
实时距离方差的变化量与第一预设值为计算差值时,匹配结果可以通过差值是否大于一预设的比较差值得到,该比较差值可以根据实际的使用情况进行设定,本申请对此不作具体限定。
实时距离方差的变化量与第一预设值为比较大小时,可以确定变化量是否大于第一预设值,将比较结果作为匹配结果。
在本申请的另一个实施例中,服务器根据实时距离方差的变化量与第一预设值的匹配结果,首次确定车辆变道意图之后,服务器还可以执行以下方法,进一步确定车辆变道意图:
首先,服务器在首次判定行驶车辆没有变道意图的情况下,通过变道意图识别模型,识别路口车辆行驶图像中各行驶车辆与车道行驶方向的偏移角度。
没有变道意图即车辆变道意图为直线行驶。
变道意图识别模型可以识别行驶车辆的车头方向,与车道行驶方向的偏移角度。
其次,服务器在第一预设时间内,确定偏移角度的变化量是否大于第二预设值,并得到偏移角度的变化量是否大于第二预设值的判定结果。
第二预设值可以通过计算历史车辆行驶过程中,计算车头方向与车道行驶方向的偏移角度得到,偏移角度在大于第二预设值时,即可确定车辆为变换车道。第一预设时间可以是在实际使用过程中设定,该第一预设时间可以对应于车辆以道路限速行驶可通行预设距离如10米的时间。
然后,服务器根据判定结果以及匹配结果,确定车辆变道意图。
具体地,服务器在实时距离方差的变化量小于或等于第一预设值的情况下,确定偏移角度的变化量是否也小于或等于第二预设值,进而确定行驶车辆的车辆变道意图是否有变道意图,即车辆变道行驶。
在本申请的一个实施例中,服务器还可以在匹配结果与判定结果不一致的情况下,计算匹配结果与判定结果的可信度,例如通过计算历史数据的匹配结果与判定结果的方差,将方差小的,作为可信度高的数据,从而根据匹配结果或判定结果,确定车辆变道意图。
此外,在申请的一个实施例中,服务器还可以通过匹配结果与判定结果,同时进行确定车辆变道意图为直线行驶还是变道行驶。具体地,服务器在判定结果为偏移角度的变化量大于第二预设值,且匹配结果为实时距离方差的变化量大于第一预设值的情况下,确定行驶车辆的车辆变道意图为变道行驶。
服务器在偏移角度的变化量小于或等于第二预设值且实时距离方差的变化量小于或等于第一预设值的情况下,确定行驶车辆的车辆变道意图为直线行驶。
服务器还可以在匹配结果与判定结果不一致的情况下,计算匹配结果与判定结果的可信度,例如通过计算历史数据的匹配结果与判定结果的方差,将方差小的,作为可信度高的数据,从而根据匹配结果或判定结果,确定车辆变道意图。
在本申请实施例中,服务器可以通过变道意图识别模型,确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差,同时也识别各行驶车辆与车道行驶方向的偏移角度,确定车辆变道意图。通过上述方案,可以精确地得到行驶车辆是否存在车辆变道意图,从而为后续计算变道时间提供了精确地数据基础。
S103,服务器根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间。
在本申请实施例中,服务器根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间,具体包括:
首先,服务器通过第二预设时间内的路口车辆行驶图像,确定车辆变道意图相应的待变道车道的车流量。
第二预设时间可以与第一预设时间为同一时间,也可以在实际使用过程中另外进行设定。在车辆变道意图为变道时,则存在相应的待变道车道,服务器可以通过第二预设时间获取的路口车辆行驶图像,确定待变道车道的车流量。
然后,服务器根据车流量以及待变道车辆的变道位置,确定预设的变道时长表中相应的变道时间。
其中,变道时长表通过预设神经网络模型,训练若干车辆变道时间样本得到的。
服务器将若干车辆变道时间样本输入预设的神经网络模型,进行模型训练,其中车辆变道时间样本的标签包括:时间、车辆变道位置以及待变道车道的车流量。神经网络模型可以输入标签所对应的变道时长,服务器根据标签及变道时长,生成变道时长表。
S104,服务器根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。
数据地图可以分析和展示与位置相关的数据。
在本申请实施例中,服务器根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图之后,方法还包括:
首先,服务器以路口车辆行驶图像的采集地址为圆心,确定预设范围内的若干监管终端。
监管终端可以是交警的手持终端,或者是交通管理部分的主机电脑等设备。
其次,服务器向各监管终端发送状态确认信息。
状态确认信息用于确定监管终端是否存在监管任务。
监管任务是监管终端正在处于其他的交通处理任务中,例如正在监管另一路口的数据地图。
然后,服务器在接收到各监管终端的反馈信息的情况下,基于反馈信息,确定不存在监管任务的各监管终端,为待选定终端。
监管终端在接收到状态确认信息后,用户可以操作监管终端,对状态确认信息进行反馈,例如点击是,则表明监管终端存在监管任务,点击否,则表明监管终端不存在监管任务。
接着,服务器基于电子地图,确定各待选定终端的位置至采集地址的行驶时长。
电子地图可以生成从待选定终端至采集地址的导航数据,导航数据中包括当前的道路行驶情况,如当前道路堵车情况。服务器根据电子地图,即可确定从待选定终端到采集地址的行驶时长。
最后,服务器确定各行驶时长中最短行驶时长,为选定终端,并向选定终端发送数据地图。
通过上述方案,可以将方便数据管理的交通路口的数据地图发送至监管终端,使监管终端能及时地处理路口交通。
在本申请实施例中,路口红绿灯控制方法应用于预先搭建的区块链平台,各行驶车辆相应终端为区块链平台的第一节点,服务器可以执行以下方法:
首先,服务器获取区块链平台中的第一节点的导航数据。
行驶车辆相应驾驶者的终端,进行导航时,可以通过区块链平台得到驾驶者终端的导航数据,例如a市场到b市场的导航路线。
然后,服务器根据导航数据以及各行驶车辆的行驶车道,确定各行驶车辆在预设路径段的变道时间,以根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。
服务器可以通过导航数据以及行驶车辆的行驶车道,确定该行驶车辆是否需要进行变道,若需要变道,服务器确定需要变道至哪一车道。然后,服务器根据需要变道至的车道的车流量,得到该行驶车辆的变道时间。进而生成路口相应的数据地图。
S105,服务器基于数据地图,确定当前路口车辆的通行量是否小于预设阈值。
在本申请实施例中,服务器基于数据地图,确定当前路口车辆的通行量是否小于预设阈值之前,方法还包括:
首先,服务器确定路口车辆行驶图像的采集时间。
然后,服务器获取与采集时间相应的若干过去时间段的路口车辆通行量。
其中,与采集时间相应的若干过去时间段的时间属性相同。时间属性至少包括以下一项或多项:节假日、工作日、时段。
举例说明,采集时间为工作日的周一的上午八点,服务器可以获取过去的一个月的工作日周一八点的路口车辆通行量。
接着,服务器生成各路口车辆通行量的通行量曲线。
根据过去时间段的路口车辆通行量,服务器可以生成如图4所示的通行量曲线,横轴为时间,纵轴为通行量。
最后,服务器通过滑动平均法,处理通行量曲线,并根据处理后的通行量曲线,确定通行量曲线相应的平均值,为预设阈值。
通过上述方案,利用滑动平均法,快速且便于实时处理非平稳数据,可以确定最可信的通行量相应的预设阈值,进而实现路口红绿灯运行周期的控制。
S106,服务器在当前路口车辆的通行量小于预设阈值的情况下,根据各变道时间,更新当前路口的红绿灯运行周期,以根据更新后的红绿灯运行周期,控制红绿灯系统运行。
当前路口车辆的通行量小于预设阈值,即当前路口车辆由于车辆变道引起车辆通行无法到达要求,造成红绿灯路口拥堵。本申请可根据变道时间,改变各路口的红绿灯运行周期。例如第一个路口的通行量小于预设阈值,那么根据第一个路口的各行驶车辆的变道时间,可以增加第一个路口的红绿灯时长,而相应的第二个路口通行量大于预设阈值,可以不进行改变红绿灯时长。
在本申请实施例中,服务器更新当前路口的红绿灯运行周期之后,还可以执行以下方法:
服务器根据更新后的红绿灯运行周期以及当前路口车辆的通行量,确定当前路口的车辆参考速度。
服务器可以根据更新后的红绿灯运行周期以及当前路口车辆的通行量,计算得到最佳的车辆通行速度,作为车辆参考速度,从而在以更新的红绿灯运行周期进行运行时,提高路口车辆通行量的同时,给道路参与者一个车辆参考速度,使道路参与者以车辆参考速度形式,进一步保证路口车辆通行量。
然后,服务器将车辆参考速度发送至相应的显示终端。显示终端设置于当前路口。
显示装置可以是设置于当前路口的大屏幕,使路口的车辆驾驶者能够看到车辆参考速度。显示终端也可以包括上述第一节点相应的终端。
通过上述方案,可以利用路口车辆行驶图像,确定车辆是否要变道,并确定变道时间,根据变道时间调整红绿灯运行周期,从而智能地控制红绿灯,及时放行红绿灯路口的等待车辆,保障交通顺畅。提高道路参与者对红绿灯的使用体验度。
图5为本申请实施例提供的一种路口红绿灯控制设备的结构示意图,该设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取路口车辆行驶图像。基于路口车辆行驶图像,确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中,预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量,确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道,生成路口车辆行驶图像的数据地图。基于数据地图,确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下,根据各变道时间,更新当前路口的红绿灯运行周期,以根据更新后的红绿灯运行周期,控制红绿灯系统运行。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备与方法是一一对应的,因此,设备也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备的有益技术效果。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种路口红绿灯控制方法,其特征在于,所述方法包括:
获取路口车辆行驶图像;
基于所述路口车辆行驶图像,确定所述路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图;其中,所述预设路径段为在所述路口车辆行驶图像相应的路口的预设范围内的路径段;
根据所述车辆变道意图以及所述路口车辆行驶图像中待变道车道的车流量,确定所述车辆变道意图相应的各待变道车辆的变道时间;
根据各所述变道时间及相应的所述待变道车道,生成所述路口车辆行驶图像的数据地图;
基于所述数据地图,确定当前路口车辆的通行量是否小于预设阈值;
在所述当前路口车辆的通行量小于所述预设阈值的情况下,根据各所述变道时间,更新当前路口的红绿灯运行周期,以根据更新后的所述红绿灯运行周期,控制红绿灯系统运行。
2.根据权利要求1所述方法,其特征在于,确定所述路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图之前,所述方法还包括:
根据所述路口车辆行驶图像,确定相应的路口属性;所述路口属性包括:道路方向、道路宽度、道路类型;
根据所述路口属性,确定相应的变道分割区块;所述变道分割区块用于将路口车道分割为若干判定子块;所述判定子块用于确定位于所述判定子块的车辆行驶状态;
通过所述变道分割区块,将所述路口车辆行驶图像相应的各车道进行分割处理,以将分割处理后的所述路口车辆行驶图像,输入预设的变道意图识别模型;所述变道意图识别模型用于识别所述路口车辆行驶图像中各所述行驶车辆的所述车辆变道意图。
3.根据权利要求1所述方法,其特征在于,基于所述路口车辆行驶图像,确定所述路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图,具体包括:
将若干车辆变道图像,输入待训练机器学习模型进行训练;其中,所述车辆变道图像为在道路车辆变道时采集的图像;
通过所述待训练机器学习模型,确定各所述车辆变道图像的若干变道特征数据,直至所述待训练机器学习模型的预设损失函数收敛,得到训练完成的变道意图识别模型;
将所述路口车辆行驶图像输入所述变道意图识别模型,确定各所述行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差;
将所述实时距离方差的变化量与第一预设值进行匹配;
根据所述实时距离方差的变化量与所述第一预设值的匹配结果,首次确定所述车辆变道意图。
4.根据权利要求3所述方法,其特征在于,根据所述实时距离方差的变化量与所述第一预设值的匹配结果,首次确定所述车辆变道意图之后,所述方法还包括:
在首次判定所述行驶车辆没有变道意图的情况下,通过所述变道意图识别模型,识别所述路口车辆行驶图像中各所述行驶车辆与车道行驶方向的偏移角度;
在第一预设时间内,确定所述偏移角度的变化量是否大于第二预设值,并得到所述偏移角度的变化量是否大于所述第二预设值的判定结果;
根据所述判定结果以及所述匹配结果,确定所述车辆变道意图。
5.根据权利要求1所述方法,其特征在于,根据所述车辆变道意图以及所述路口车辆行驶图像中待变道车道的车流量,确定所述车辆变道意图相应的各待变道车辆的变道时间,具体包括:
通过第二预设时间内的所述路口车辆行驶图像,确定所述车辆变道意图相应的所述待变道车道的所述车流量;
根据所述车流量以及所述待变道车辆的变道位置,确定预设的变道时长表中相应的变道时间;其中,所述变道时长表通过预设神经网络模型,训练若干车辆变道时间样本得到的。
6.根据权利要求1所述方法,其特征在于,根据各所述变道时间及相应的所述待变道车道,生成所述路口车辆行驶图像的数据地图之后,所述方法还包括:
以所述路口车辆行驶图像的采集地址为圆心,确定预设范围内的若干监管终端;
向各所述监管终端发送状态确认信息;所述状态确认信息用于确定所述监管终端是否存在监管任务;
在接收到各所述监管终端的反馈信息的情况下,基于所述反馈信息,确定不存在所述监管任务的各所述监管终端,为待选定终端;
基于电子地图,确定各所述待选定终端的位置至所述采集地址的行驶时长;
确定各所述行驶时长中最短行驶时长,为选定终端,并向所述选定终端发送所述数据地图。
7.根据权利要求1所述方法,其特征在于,基于所述数据地图,确定当前路口车辆的通行量是否小于预设阈值之前,所述方法还包括:
确定所述路口车辆行驶图像的采集时间;
获取与所述采集时间相应的若干过去时间段的路口车辆通行量;其中,所述与所述采集时间相应的若干过去时间段的时间属性相同;所述时间属性至少包括以下一项或多项:节假日、工作日、时段;
生成各所述路口车辆通行量的通行量曲线;
通过滑动平均法,处理所述通行量曲线,并根据处理后的所述通行量曲线,确定所述通行量曲线相应的平均值,为所述预设阈值。
8.根据权利要求1所述方法,其特征在于,所述方法应用于预先搭建的区块链平台,各所述行驶车辆相应终端为所述区块链平台的第一节点,所述方法还包括:
获取所述区块链平台中的所述第一节点的导航数据;
根据所述导航数据以及各所述行驶车辆的行驶车道,确定各所述行驶车辆在所述预设路径段的所述变道时间,以根据各所述变道时间及相应的所述待变道车道,生成所述路口车辆行驶图像的数据地图。
9.根据权利要求1所述方法,其特征在于,更新当前路口的红绿灯运行周期之后,所述方法还包括:
根据更新后的所述红绿灯运行周期以及所述当前路口车辆的通行量,确定所述当前路口的车辆参考速度;
将所述车辆参考速度发送至相应的显示终端;所述显示终端设置于所述当前路口。
10.一种路口红绿灯控制设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取路口车辆行驶图像;
基于所述路口车辆行驶图像,确定所述路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图;其中,所述预设路径段为在所述路口车辆行驶图像相应的路口的预设范围内的路径段;
根据所述车辆变道意图以及所述路口车辆行驶图像中待变道车道的车流量,确定所述车辆变道意图相应的各待变道车辆的变道时间;
根据各所述变道时间及相应的所述待变道车道,生成所述路口车辆行驶图像的数据地图;
基于所述数据地图,确定当前路口车辆的通行量是否小于预设阈值;
在所述当前路口车辆的通行量小于所述预设阈值的情况下,根据各所述变道时间,更新当前路口的红绿灯运行周期,以根据更新后的所述红绿灯运行周期,控制红绿灯系统运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612352.9A CN114387799B (zh) | 2021-12-27 | 2021-12-27 | 一种路口红绿灯控制方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612352.9A CN114387799B (zh) | 2021-12-27 | 2021-12-27 | 一种路口红绿灯控制方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387799A true CN114387799A (zh) | 2022-04-22 |
CN114387799B CN114387799B (zh) | 2022-12-23 |
Family
ID=81197625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111612352.9A Active CN114387799B (zh) | 2021-12-27 | 2021-12-27 | 一种路口红绿灯控制方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387799B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682613A (zh) * | 2012-05-14 | 2012-09-19 | 邓湘 | 一种子路段绿波诱导分流协调控制方法 |
CN106920401A (zh) * | 2015-12-25 | 2017-07-04 | 北京奇虎科技有限公司 | 十字路口红绿灯时长控制方法和装置 |
CN107393316A (zh) * | 2017-08-14 | 2017-11-24 | 苏州荣宝升城市建设有限公司 | 智能道路辅助控制方法及系统 |
WO2018072240A1 (zh) * | 2016-10-20 | 2018-04-26 | 中国科学院深圳先进技术研究院 | 一种路网潮汐交通流可变导向车道控制方法 |
CN108898856A (zh) * | 2018-09-13 | 2018-11-27 | 崔理哲 | 智能城市交通优化方法与系统 |
US20190206236A1 (en) * | 2017-12-28 | 2019-07-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus and device for controlling a cooperative intersection |
US20190202462A1 (en) * | 2017-12-28 | 2019-07-04 | Automotive Research & Testing Center | Method of lane change decision-making and path planning |
US20200160704A1 (en) * | 2018-11-16 | 2020-05-21 | Samsung Electronics Co., Ltd. | Electronic device and method of providing driving guide information |
US20200273329A1 (en) * | 2017-11-13 | 2020-08-27 | Huawei Technologies Co., Ltd. | Traffic flow control method and apparatus in internet of vehicles |
CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种车辆行为预测方法及装置 |
CN112614359A (zh) * | 2020-12-21 | 2021-04-06 | 北京百度网讯科技有限公司 | 控制交通的方法、装置、路侧设备和云控平台 |
CN112825212A (zh) * | 2019-11-21 | 2021-05-21 | 北京四维图新科技股份有限公司 | 车速引导方法、装置及车辆 |
CN113501001A (zh) * | 2021-08-10 | 2021-10-15 | 李俊芝 | 一种无人驾驶车辆变道行驶控制方法、系统及终端 |
WO2021227502A1 (zh) * | 2020-05-14 | 2021-11-18 | 同济大学 | 一种信号交叉口交通信号灯和车辆轨迹控制方法 |
-
2021
- 2021-12-27 CN CN202111612352.9A patent/CN114387799B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682613A (zh) * | 2012-05-14 | 2012-09-19 | 邓湘 | 一种子路段绿波诱导分流协调控制方法 |
CN106920401A (zh) * | 2015-12-25 | 2017-07-04 | 北京奇虎科技有限公司 | 十字路口红绿灯时长控制方法和装置 |
WO2018072240A1 (zh) * | 2016-10-20 | 2018-04-26 | 中国科学院深圳先进技术研究院 | 一种路网潮汐交通流可变导向车道控制方法 |
CN107393316A (zh) * | 2017-08-14 | 2017-11-24 | 苏州荣宝升城市建设有限公司 | 智能道路辅助控制方法及系统 |
US20200273329A1 (en) * | 2017-11-13 | 2020-08-27 | Huawei Technologies Co., Ltd. | Traffic flow control method and apparatus in internet of vehicles |
US20190202462A1 (en) * | 2017-12-28 | 2019-07-04 | Automotive Research & Testing Center | Method of lane change decision-making and path planning |
US20190206236A1 (en) * | 2017-12-28 | 2019-07-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus and device for controlling a cooperative intersection |
CN108898856A (zh) * | 2018-09-13 | 2018-11-27 | 崔理哲 | 智能城市交通优化方法与系统 |
US20200160704A1 (en) * | 2018-11-16 | 2020-05-21 | Samsung Electronics Co., Ltd. | Electronic device and method of providing driving guide information |
CN112825212A (zh) * | 2019-11-21 | 2021-05-21 | 北京四维图新科技股份有限公司 | 车速引导方法、装置及车辆 |
WO2021227502A1 (zh) * | 2020-05-14 | 2021-11-18 | 同济大学 | 一种信号交叉口交通信号灯和车辆轨迹控制方法 |
CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种车辆行为预测方法及装置 |
CN112614359A (zh) * | 2020-12-21 | 2021-04-06 | 北京百度网讯科技有限公司 | 控制交通的方法、装置、路侧设备和云控平台 |
CN113501001A (zh) * | 2021-08-10 | 2021-10-15 | 李俊芝 | 一种无人驾驶车辆变道行驶控制方法、系统及终端 |
Non-Patent Citations (1)
Title |
---|
车春江等: "基于贪婪策略的智能红绿灯启发式算法研究", 《交通世界》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114387799B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas | |
US9964414B2 (en) | Lane-level vehicle navigation for vehicle routing and traffic management | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN112078592B (zh) | 一种车辆行为和/或车辆轨迹的预测方法及装置 | |
CN111611955B (zh) | 可通行施工道路的识别方法、装置、设备及存储介质 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
KR20210087005A (ko) | 도로 상황 예측 방법, 도로 상황 예측 모델을 구축하는 방법, 대응되는 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
CN111915885B (zh) | 一种城市道路交通仿真实验方法及系统 | |
CN111554105A (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN111951548B (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
CN112053556B (zh) | 一种交通监控复眼动态识别交通事故自我进化系统 | |
WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN112101223B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN110363984A (zh) | 交通流量预测方法和设备 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN113997954A (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
CN114492022A (zh) | 路况传感数据处理方法、装置、设备、程序以及存储介质 | |
CN114973687A (zh) | 一种交通信息处理方法、装置、设备和介质 | |
CN114387799B (zh) | 一种路口红绿灯控制方法及设备 | |
CN105719313A (zh) | 一种基于智能实时视频云的运动目标跟踪方法 | |
CN114419896B (zh) | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 | |
CN116972860A (zh) | 偏航识别方法、装置、电子设备及存储介质 | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN115497298A (zh) | 交通监测方法、装置、电子设备和存储介质 | |
CN115675479A (zh) | 用于利用对象分类器运行机动车中的自动驾驶功能的方法和处理器设备、及机动车 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |