Светофоры

Агафонов, А. А. Совместное управление сигналами светофоров и траекториями движения транспортных средств [Электронный ресурс] / А. А. Агафонов, А. С. Юмаганов // Информатика и автоматизация. – 2023. – Т. 22, № 1. – С. 5–32. – URL: https://elibrary.ru/download/elibrary_50160659_44452798.pdf (дата обращения: 27.07.2023).

Одним из способов повышения эффективности использования транспортной инфраструктуры является управление транспортными потоками. Решение задачи эффективного управления транспортными потоками часто осуществляется путем применения систем управления сигналами светофоров на регулируемых перекрёстках. В связи с развитием и постепенным внедрением самоорганизующихся автомобильных сетей, позволяющих обмениваться информацией между транспортными средствами и объектами инфраструктуры, а также развитием автономных транспортных средств другим перспективным подходом к решению рассматриваемой задачи является управление траекторией движения беспилотных транспортных средств. Как следствие, становится возможной постановка задачи совместного управления траекториями движения транспортных средств и сигналами светофоров для повышения пропускной способности перекрестков, снижения потребляемого топлива и времени движения. Представлен метод управления транспортным потоком на перекрестке, заключающийся в совместном управлении сигналами светофоров и траекториями движения подключенных/автономных транспортных средств. Разработанный метод сочетает метод адаптивного управления сигналами светофоров, основанный на детерминированной модели прогнозирования движения транспортных средств, и двухэтапный алгоритм построения траектории движения транспортных средств. Целевая функция оптимизации, используемая для построения оптимальных траекторий, учитывает расход топлива, время движения по дорожной полосе и время ожидания на перекрестке. Экспериментальные исследования разработанного метода проведены в системе микроскопического моделирования движения транспортных средств SUMO с использованием трех сценариев моделирования, включающих синтетические сценарии и сценарий движения в реальной городской среде. Результаты экспериментальных исследований подтверждают эффективность разработанного метода по критериям потребления топлива, времени движения и времени ожидания по сравнению с методом адаптивного управления сигналами светофоров.

Анализ нейронных сетей для детектирования светофоров на изображениях [Электронный ресурс] / Л. С. Толстенко [и др.] // Известия Института инженерной физики. – 2023. – № 2 (68). – С. 59–65. – URL: https://elibrary.ru/download/elibrary_50751053_47755563.pdf (дата обращения: 27.07.2023).

Рассмотрено несколько подходов с открытым исходным кодом для решения задачи локализации и классификации светофоров на изображении. Приведено описание имеющихся датасетов и произведена оценка качества работы двух подходов на части открытого набора данных LISA.

Захаров, Д. А. Анализ эффективности способов приоритета автобусам при проезде перекрестков с применением адаптивного управления светофорами [Электронный ресурс] / Д. А. Захаров, А. В. Писцов // Интеллект. Инновации. Инвестиции. – 2022. – № 4. – С. 128–139. – URL: https://elibrary.ru/download/elibrary_49321008_83539407.pdf (дата обращения: 27.07.2023).

С помощью имитационного микромоделирования установлена зависимость времени задержки автобусов и автомобилей от интенсивности движения по пяти вариантам приоритета общественному транспорту. Два варианта приоритета автобусам при проезде перекрестков основаны на способах адаптивного управления светофорами и алгоритмах «раннее включение» и «продление зеленого». Применение выделенной полосы и способа «Раннее включение» при высокой интенсивности движения автомобилей снижает время задержки автобусов на 94%, для личного автотранспорта – увеличивает на 85%. При небольшой интенсивности движения время задержки изменяется на 11 и 6% соответственно для автобусов и автомобилей. Использование способа «продления зеленого» позволяет снизить общее время задержки на 3,2% при высокой интенсивности движения автомобилей (1900 ТС/ч) и малом количестве автобусов (40 ТС/ч) и дает больший эффект, чем полоса для маршрутных транспортных средств (ухудшение на 148%). Для определения наиболее эффективного способа приоритета предложено учитывать количество пассажиров в общественном транспорте. Установлена зависимость общего времени задержки всех участников движения от интенсивности движения автомобилей и автобусов при различных способах приоритета. Такой подход позволяет в дальнейшем определить область рационального применения способов приоритета общественному транспорту с целевой функцией снижения потерь времени всех участников движения.

Использование метода имитационного моделирования для определения оптимальных режимов работы светофоров на исследуемых перекрестках [Электронный ресурс] / К. Т. Шаршеева [и др.] // Бюллетень науки и практики. – 2023. – Т. 9, № 1. – С. 229–237. – URL: https://elibrary.ru/download/elibrary_50113431_94207131.pdf (дата обращения: 27.07.2023).

Представлен метод имитационного моделирования, используемый для поиска оптимальных режимов работы светофора на заданном перекрестке. Созданы модели, имитирующие транспортные сети города, на основе которых получены экспериментальные результаты данного моделирования. Моделирование осуществлено на основе оптимизации времени работы светофора на заданных участках трасс. Для оптимизации работы светофоров была реализована следующая последовательность операций: в процессе итерации подбирались параметры оптимизации из заданных в базе с последующей работой на модели на основе этих параметров; по завершении одного цикла работы модели определялась величина оптимизирующей функции на момент завершения цикла. Полученная оптимизирующая функция анализируется и, если необходимо, вводятся новые значения параметров оптимизации, находится новое значение функции оптимизации, причем процесс повторяется до тех пор, пока функция не удовлетворяет заданным исходным условиям либо выходит на постоянное значение. Полученные в результате оптимизации данные показали, что оптимизация позволила увеличить пропускную способность загруженных перекрестков почти в три раза.

Кудаев, В. Ч. Полная система условий ненакопления автотранспортных средств перед светофором на симметричном двухполосном перекрестке [Электронный ресурс] / В. Ч. Кудаев, А. К. Буздов // Вестник КРАУНЦ. Физико-математические науки. – 2022. – Т. 40, № 3. – С. 101–110. – URL: https://elibrary.ru/download/elibrary_49856550_47390267.pdf (дата обращения: 27.07.2023).

На основе условия Лайтхилла-Уизема доказано общее условие (необходимое и достаточное) ненакопления автотранспортных средств перед светофором на перекрестке в целом и достаточное условие блокировки перекрестка, что позволяет выделять в городе симметричные двухполосные по каждой из трасс перекрестки, близкие к блокировке. Представлено решение задачи о светофоре на основе коммутационного соотношения, связывающего предельные времена горения зеленого цвета светофора по каждой из трасс перекрестка. Рассматривался именно симметричный двухполостный перекресток по той причине, что такие перекрестки составляют достаточно большую часть городских перекрестков.

Матросов, С. В. Управление светофорами системы перекрестков с прогнозом макроскопической модели транспортной сети [Электронный ресурс] / С. В. Матросов, Н. Б. Филимонов // Высокопроизводительные вычислительные системы и технологии. – 2022. – Т. 6, № 1. – С. 166–171. – URL: https://elibrary.ru/download/elibrary_49373675_58714425.pdf (дата обращения: 27.07.2023).

Изложен алгоритм светофорного регулирования, обеспечивающий скоординированное централизованное управление на участке дорожно-транспортной сети. В основу алгоритма положен метод предиктивного управления. Для моделирования динамики трафика использована макроскопическая модель транспортной сети, описывающая нелинейные эффекты, возникающие в плотном транспортном потоке. Для поиска оптимального управления решена дискретная задача оптимизации с критерием оптимальности, характеризующим уровень загруженности транспортной сети. Проведена компьютерная апробация разработанного алгоритма светофорного регулирования в среде транспортного моделирования SUMO.

Стативко, Р. У. Разработка системы определения состояния светофоров по электрическим импульсам [Электронный ресурс] / Р. У. Стативко, Р. Д. Мавлянов // Актуальные исследования. – 2023. – № 17-1 (147). – С. 40–43. – URL: https://apni.ru/article/6064-razrabotka-sistemi-opredeleniya-sostoyaniya (дата обращения: 27.07.2023).

Рассмотрены две группы методов мониторинга светофоров: визуальные и инструментальные. Проанализированы преимущества и недостатки каждой группы методов с точки зрения точности, трудоемкости, затратности и оперативности получения информации о состоянии светофоров. Также подчеркнута важность постоянного контроля за светофорами для обеспечения безопасности и эффективности дорожного движения. Приведен обзор существующих приборов и датчиков для инструментального мониторинга светофоров, а также примеры применения визуальных методов мониторинга светофоров с использованием видеокамер.

Стрижко, М. А. Применение нечеткой логики в системах интеллектуального управления светофорами [Электронный ресурс] / М. А. Стрижко, В. В. Червинский // Информатика и кибернетика. – 2022. – № 2 (28). – С. 5–10. – URL: https://elibrary.ru/download/elibrary_53947636_18562142.pdf (дата обращения: 27.07.2023).

Рассмотрена актуальность использования систем светофорного управления транспортными потоками с замкнутым контуром на основе методов интеллектуального управления, в частности, нечеткой логики. Описана конфигурация аппарата нечеткой логики применительно к системам светофорного регулирования. Проведено модельное исследование разработанной системы на основе представления перекрестка как системы массового обслуживания. Проанализированы результаты моделирования. Выполнено сравнение интеллектуальной системы управления с системой управления с фиксированными длительностями фаз по таким показателям, как среднее время ожидания и средняя длина очереди автомобилей.

Хворов, В. А. Оптимизация работы светофоров с использованием технологий машинного обучения [Электронный ресурс] / В. А. Хворов, В. И. Скворцов // Заметки ученого. – 2022. – № 5. – С. 132–138. – URL: https://elibrary.ru/download/elibrary_48693346_29183175.pdf (дата обращения: 27.07.2023).

Рассмотрена система для оптимизации продолжительности фаз светофоров с использованием мультиагентного глубокого обучения с подкреплением. Циклы продолжительности светофора моделируются как марковские процессы принятия решений. Дана оценка мульти-агентам с помощью симулятора Simulation of Urban Mobility (SUMO). Результаты подтверждают эффективность предложенной системы по оптимизации сигналов светофора и сокращению среднего ожидания автомобилей до 20% по сравнению с традиционной системой управления светофорами с фиксированными временными циклами.

A review of traffic light control system with reinforcement learning [Электронный ресурс] / Rahul Suryawanshi [et al.] // International journal of scientific development and research (IJSDR). – 2023. – Vol. 8, iss. 1. – P. 517–523. – URL: https://www.researchgate.net/profile/Om-Rachalwar-2/publication/367251691_A_Review_of_Traffic_Light_Control_System_with_Reinforcement_Learning/links/63c8b5956fe15d6a572f25ae/A-Review-of-Traffic-Light-Control-System-with-Reinforcement-Learning.pdf (дата обращения: 2023-07-27).

Переведенное заглавие: Использование обучения с подкреплением для системы управления светофором: обзор.

Представлена система управления светофором, которая автоматически регулирует уровень сигнала в зависимости от плотности трафика, используя искусственный интеллект. В данной системе алгоритм обучения с подкреплением был использован для определения оптимальной конфигурации светофора. Были применены глубокие нейронные сети, полученные результаты использованы для выделения признаков, необходимых для принятия решения. Представлен подход к управлению светофорами в сочетании с агентным симулятором (Simulation of Urban MObility – SUMO) и обучением с подкреплением.

Deshpande, S. Cyber-physical system for smart traffic light control [Электронный ресурс] / S. Deshpande, Sheng-Jen Hsieh // Sensors : электронный журнал. – 2023. – Vol. 23, iss. 11. – Article number: 5028. – DOI: 10.3390/s23115028. – URL: https://www.mdpi.com/1424-8220/23/11/5028 (дата обращения: 2023-07-27).

Переведенное заглавие: Киберфизическая система для интеллектуального управления светофором.

Предложена киберфизическая система для интеллектуального управления светофорами, использующая камеры обнаружения движения, алгоритмы машинного обучения и лестничную логику. Система использует метод динамических интервалов трафика, который классифицирует трафик как низкий, средний, высокий и очень высокий. Она регулирует интервалы между светофорами на основе данных о дорожном движении в режиме реального времени, включая информацию о пешеходах и транспортных средствах. Алгоритмы машинного обучения, в том числе сверточная нейронная сеть (CNN), искусственная нейронная сеть (ANN) и метод опорных векторов (SVM), позволили спрогнозировать дорожные условия и время работы светофора. Для проверки предложенного метода использована имитационная модель работы перекрестка – Simulation of Urban Mobility (SUMO). Результат моделирования показал, что метод динамического интервала движения более эффективен и демонстрирует сокращение времени ожидания транспортом на 12–27% и пешеходов на перекрестке на 9–23% по сравнению с фиксированным временем и полудинамическими методами управления светофором.

Dongjiang Liu. A traffic light control method based on multi-agent deep reinforcement learning algorithm [Электронный ресурс] / Dongjiang Liu, Leixiao Li // Scientific reports. – 2023. – Vol. 13. – Article number: 9396. – DOI: 10.1038/s41598-023-36606-2. – URL: https://www.nature.com/articles/s41598-023-36606-2 (дата обращения: 2023-07-27).

Переведенное заглавие: Способ управления светофором, основанный на мультиагентном алгоритме глубокого обучения с подкреплением.

Алгоритмы интеллектуального управления светофорами (ITLC) очень эффективны для устранения пробок на дорогах. Предложено множество децентрализованных мультиагентных алгоритмов управления светофорами. В традиционных алгоритмах ITLC, основанных на обучении с подкреплением, при расчете величины учитывается либо длина пробки, либо время ожидания. Оба эти фактора важны. Предложен новый алгоритм интеллектуального управления светофорами ITLC для повышения эффективности связи, который использует метод отправки и обработки сообщений. Кроме того, для более разумного измерения загруженности дорожного движения предложен и использован новый метод расчета. Этот метод учитывает как время ожидания, так и длину пробки.

Tomar, I. State-of-art review of traffic light synchronization for intelligent vehicles: current status, challenges, and emerging trends [Электронный ресурс] / I. Tomar, I. Sreedevi, N. Pandey // Electronics : электронный журнал. – 2022. – Vol. 11, iss. 3. – Article number: 465. – DOI: 10.3390/electronics11030465. – URL: https://www.mdpi.com/2079-9292/11/3/465 (дата обращения: 2023-07-27).

Переведенное заглавие: Современное состояние синхронизации светофоров для интеллектуальных транспортных средств: текущее состояние, проблемы и новые тенденции (обзор).

Эффективный контроль и управление движением на перекрестках является сложной задачей в транспортной системе. Для улучшения транспортного потока на перекрестках в режиме реального времени были разработаны различные системы управления светофорами, но ни одна из них не привела к созданию плавного и непрерывного транспортного потока для борьбы с заторами на перекрестках дорог. В традиционных системах не учитывается информация о: направлении движения транспортных средств, изменении интенсивности автомобильного потока с течением времени, ДТП, проездах машин экстренной помощи и пешеходных переходах. Следовательно, синхронизация сигналов по определенному маршруту не может быть решена. Исследована роль технологии управления дорожными сигналами в режиме реального времени (TSC) для управления заторами на дорожных развязках в умных городах. С целью целесообразности создания сети светофоров в определенном районе, проанализированы несколько исследовательских работ по синхронизации светофоров. Рассмотрены преимущества синхронизации сигналов светофора на различных оживленных маршрутах для обеспечения плавного дорожного движения.

Traffic flow prediction for smart traffic lights using machine learning algorithms [Электронный ресурс] / A. Navarro-Espinoza [et al.] // Technologies : электронный журнал. – 2022. – Vol. 10. – DOI: 10.3390/technologies10010005. – URL: https://www.mdpi.com/2227-7080/10/1/5 (дата обращения: 2023-07-27).

Переведенное заглавие: Прогнозирование транспортного потока для интеллектуальных светофоров: использование алгоритмов машинного обучения.

Предложены алгоритмы машинного обучения и глубокого обучения для прогнозирования транспортного потока на перекрестке. Для обучения, валидации и тестирования моделей машинного и глубокого обучения были использованы два общедоступных набора данных. Многослойная нейронная сеть персептрона (MLP-NN) показала лучшие результаты (R-квадрат и оценка EV 0,93) и потребовала меньше времени на обучение, за ней последовало бустирование градиента. Рекуррентные нейронные сети (RNNS) также показали хороший результат по метрикам, но на их обучение было затрачено больше времени. Исследованы такие алгоритмы как: случайный лес, линейная регрессия и стохастический градиент. Все алгоритмы машинного и глубокого обучения показали хорошую производительность, что указывает на возможность их внедрения в интеллектуальные контроллеры светофоров.