自动化系章佳杰-个人答辩在线视频

下面请章佳杰来做这个报告

20到30分钟之内

20左右

各位老师各位同学大家好

我是系统工程研究所章佳杰

我的指导老师是胡坚明副教授

我的题目是

车路协同框架下

信号灯配时优化方法设计

我打算这个展示分为这么几个部分

首先是根据我论文的结构

跟大家分享一下

我这个研究的成果

接下来最后部分是

一部分的参考文献

以及相应的研究成果

好 下面是第一部分

引言部分

随着我国的

这个城市化的飞速发展

城市化进程也是不断加快

城市规模也不断加大

同时也引发很多很多的城市病

越来越多这个城市病是逐渐显露

其中包括交通

这是一个尤为严重的一方面

交通问题是

我们急剧增加的交通需求

以及有限的这个交通设施

基础设施之间的一对矛盾

下面我们看一组数据

这个是根据2013年

北京市交通发展年报

所绘制的一组数据

这个是北京市的机动车

保有量的变化情况

可以看到从2007年到2012年期间

机动车增长了66%

而下一组是道路面积增长情况

而这一组数据可以明显看到

从2008年到2012年

道路面积几乎没有增长

从2007到2008这个增长

是因为它统计方式作出了改变

也就是说道路面积

几乎没有增长的情况下

机动车大幅增长

这带来我们

这个交通需求的急剧增加

引发了大量的交通问题

比如说令人头痛的 交通拥堵

而这个在此前提下

在这个情况下

智能交通系统应运而生

它是用先进的信息技术

控制的技术

与传统的交通理论相结合

在现有的条件下

能最大限度的

利用这个道路

提升人们的这个出行体检

而这个智能车路协同系统

是新一代的智能交通系统的

具体应用框架

它车车 车路动态实时信息的交互

能够保证复杂交通环境下

车辆行驶的安全

实现主动的交通控制

提高路网运的效率

而我们这个研究都是基于这个

车路协同系统的框架进行的

在城市交通路网当中

交叉口是扮演了一个很重要的角色

但是交叉口

往往又由于通行能力不足

或者说没有充分没利用

而造成了很多交通阻塞

或交通事故

根据统计

在日本大城市中

机动车在市中心行使时间

约三分之一

是用于平面交叉口的

在美国交通事故

有一半以上

发生在交叉口

所以说对交叉口的控制

是整个交通系统里面

非常重要的一个环节

而这个对于交叉口来讲

我们通常是利用信号灯

来进行控制

而信号灯的控制策略

传统的控制策略

包括定时控制

或者说感应半感应控制

而这些定时控制

难于适应于交通流量变化

大而不规则的情况

在这个现今交这个交通需求

大大增加的情况下

是有些捉襟见肘的

而感应控制只考虑了

当前控制相位

往往不能达到全局的优解

这个提示我们如果在交叉口

能充分利用它的这个通行能力

能够设计一个好的控制策略

还是能够大大的挖掘

现有的这个交通设施的

这个潜力的

这是我这个研究框架

从实际车辆出发

我们拍摄视频

从视频当中提取

这个车辆的时空轨迹

而从时空轨迹我们可以得到

当前的交通参数

包括一些

比如说流量数据之类的

而从交通参数出发

从时空轨迹出发

可以划分出车队

然后根据车队

我们提出单交叉口信号配制策略

然后从交通参数出发

我们提出将信号灯的周期与相位

以及多交叉口信号相位差的

一个建模

这一部分

这一部分

是第三章单交叉口的信号配置内容

而这部分是第四章

多交叉口信号配置内容

而这个信号灯的配时

又实际影响了

这个实际的车辆的运行

这样整个构成了一个闭环

这是一个车路协同

框架下的一个典型的应用场景

这是第二章基于视频的车辆轨迹重构

首先我们要对这个相机的

成像过程进行建模

这里有三个坐标

包括世界坐标

就是我们固定于

这个地面上的一个坐标

也包括相机坐标

和图像坐标

这些都是非常简单易懂

成像模型

数学表达式是这样的

其中几个符号列表

我列在边上了

它包括了内部参数矩阵A

就是跟相机固有参数相结合的矩阵

是每台相机自己特别有的

还包括了外部参数

一个旋转矩阵R

和一个平移向量t

这是跟具体的场景有关的

每一次拍摄的具体场景不一样

这两个外部参数都是不一样的

而我们对这个相机

需要进行参数的标定

这个标定就包括了

标定内部参数矩阵A

和标定外部参数的

旋转矩阵R

和平移向量T

那么对于参数的标定

我们对于内部参数的标定

我们可以利用特定的图形

并且在事先进行标定好

因为内部参数

它是和相机本身固结在一起的

比如说我们利用

这样的一个棋盘格图形

事先拍摄不同位置的

棋盘格图像

然后可以利用一系列算法

将内部参数矩阵

进行估计出来

而复杂的是

外部参数的标定

外部参数的标定

我们希望利用场景当中

因为它是和具体

拍摄场景有关

我们先要利用场景

当中的几何元素

对这个外部参数

进行标定

比如说这样一个典型的

一个场景

我画了一个示意图

下面是车道

下面是具体的路 车道

车道边上有一些电线杆

和一些建筑物

那么这个车道上有很多

这个比如说

我们定义这个车道方向

是X方向

那么车道方向

有多X方向平行线

然后在路上有很多

这个电线杆

或者是路灯之类的

以及建筑的边缘

这是Z方向的平行线

以及这个固定的点的坐标

或者说人行横道线

这些是一组相等长度的

线段等等

这些几何元素

我们都可以利用来

对相机的外部参数进行标定

举一个具体的例子

我们比如说这样一个场景

我们根据这个X方向的平行线

和Z方向平行线

得到两个方向的消失点

根据这消失点

我们就可以初步估计出

旋转矩阵R

然后利用固定点坐标

我们可以初步估计出平移向量T

然后利用所有几何元素

带入一个优化问题

我们可以对这个外部参数矩阵

进行精细的优化

这里利用了很多很多的

各种元素

用不同的颜色

给它标了出来

以及最后利用多相机

刚才是两台相机

拍摄了其中一部分重叠的

这个场景

利用多相机的约束

可以进一步对这个相机参数

进行优化

从而得到这个相机外部的参数

这是一个向外部参数的标定结果

我是在原点

定义这里为原点

然后同时将一个坐标系画在图上

可以看出这个坐标系

和周围的这个场景

是比较贴合的

也表明我们这个外部参数的标定

是比较成功的

这是不同

两台相机之间的

这个坐标系的情况

标定了相机之后

我们接下来就需要对

车辆轨迹进行重构

这是我们整个车辆轨迹重构的

一个流程

首先从这个图像的序列出发

减去了背景

我们得到了每一辆车的

这个ROI

然后将每一辆车

给单独的分割出来

提取出来

那判断是不是新的车辆

那根据不同的这个

初始情况

对这个姿态进行预测

我们利用一个线框模型

对这个车辆进行匹配

匹配上之后

得到它当时的这个位置参数

利用那个扩展的卡尔曼滤波

整个车辆轨迹进行跟踪

得到最后的

这个车辆轨迹的重构结果

接下来是一些

详细的一些细节

首先是这个3D的线框模型

这是一个例子

这是一个小轿车

一个线框模型

它包括了两个

平移的自由度

X方向和Y方向

平移的自由度

和旋转自由度

一旦将这三个参数给定之后

这个模型在图片上的位置

就已经确定了

我们通过把这位置

重新投影到

这个图片里面上

与图像上的这个车辆进行匹配

然后我们得以估计

它在真实的三维世界当中的坐标

接下来就是怎么样匹配

我设计了一个匹配函数

这个匹配函数

也是基于一个高斯函数的形式

为什么基于这个呢

因为高斯函数对图片的处理来讲

可以进行快速的处理

这是一个使得我们的运行速度大大提高

匹配完之后得到车辆

实际的具体位置之后

我们利用扩展的卡尔曼滤波

对这个车辆轨迹进行跟踪

这是汽车的动力学模型

我们采用了一个简单的两轮模型

进行跟踪

这是车辆的状态方程

然后利用扩展卡尔曼滤波

对这个状态方程进行跟踪

最后这是部分的轨迹重构的结果

看到这个横轴是时间轴

纵轴是距离

可以看到这个车

就随着这个时间变化

在这个道路上面行使

好

有了这个车辆的轨迹数据

我们就可以根据这个车辆的轨迹数据

而实施的对这个信号灯的

控制策略进行调整

从而我们设计一个比较合理的

信号灯的控制策略

下面进行简单介绍一下

单交叉口信号控制策略

首先介绍一下车队的概念

这是一个示意图

横轴是时间轴

纵轴是位置

可以看到这个

在位置1的这个地方

前面三辆车比较靠近

后面四辆车比较靠近

它们分别可以看作一个车队

而在停止线的位置

由于受到这个红灯的影响

前面三辆车都有所减速

而第四辆车

跟前面三辆车的距离

也变得比较靠近了

所以说这个演示了一下

就是有的时候

车队会互相的分离

或者说合并

那么我们根据什么来划分车队呢

在这里我们简单提出

根据一个车头时距

就前一辆车跟后一辆车

这个时间间隔来进行车队划分

我们采用不同车头时距的阈值

对车队进行划分的结果

在这里展示了一下

根据这个结果我们发现

利用这个二秒到三秒

之间的某个阈值

对车队的划分是比较合理的

并且这个具体的阈值

取多少

这个对于最后的结果

影响不是特别明显

然后我们对于一个

信号控制配时的策略

怎么评价它呢

我们有一些评价的指标

包括延误

一辆车在通过交叉口的时候

相对于没有受信号灯影响

它增加多少延误

以及总体的旅行时间

一辆车从A地到B地之间需要多少时间

旅行过去

我们在这里本章

包括下一章

都利用这两个性能指标

对这个控制算法进行评价

好 接下来

主要介绍一下我们具体的算法

首先我们看主次型的交叉口

主次型交叉口

我们设计了三种控制策略

第一种策略是延长绿时

这是一个示意图

横轴表示时间

纵轴表示距离

然后可以看到

当主干道上

当主干道上有车来

而这个原先的绿灯快结束的时候

如果继续按原计划

那么主干道上

这个车队

将会被阻止

而没有通过路口

那么这个车队

将要等到下一个绿灯

才能通过路口

这大大增加了它的延误

那这个时候

我们适当的延长这个绿时

使得这个车队

能够通过这个路口

而同时这个次干道上

本来排队的车辆

只是略微的延长了一点点

他们等待时间

所以说总体而言

他们这个所有车辆的平均等量时间

可能是会减少

这是一个策略

第二个策略是提前换相

同样也是这样

主干道上车辆不多

而这个次干道上呢

这个有很多车辆排队

那么我提前进行换相

把次干道的车辆

提前给放走

这样次干道上

可能排队多数的车辆

都会有所提前

延误有所减少

而主干道经过合理的选择

很可能就不影响

后面的车辆

这样子会造成整体的延误

进行减小

第三个策略是周期倍分

这个是比较好理解的

就是在一个完整的周期当中

另外单独插入一个

换相的机会

使得这个在次干道上

等待的车队

能够有更多的机会

能够通过这个路口

使得总体的延误减小

那么接下来

我放一些结果

我们这个数值实验

我们挑选了四个时间段

利用的是美国的Albany镇

一个交叉路口一个实时

实际的微波数据

在这四个时间段中

交通流量列在这里

这几个时间段当中

周期数在这里

其中适用于延长绿时的有两个

适用于提前换相的两个

这里是适用于各个策略的

周期个数

那么我们下面

看下一些具体的情况

比如说延长绿时的策略

那在这个时间段当中

平均延长0.4秒

那么总体延误可以被减少那么多

每一辆车的平均延误

也是减少有接近一秒

也就是说平均来讲

绿时只要延长一到两秒

那么整体的这个车辆

平均每辆车

都可以减少一秒左右

这其实是一个比较大的

一个改进了

那比如说提前换相的策略

这个平均提前时长大概这么多

然后平均的延误会变得少一些

然后周期倍分这是一个很明显的一个策略

平均红灯时长可能只是设长

为那么多

那么平均延误确实大大减少

因为它在一个长周期当中

插入了一个更多的机会

让次干道的车辆

能够提前通过

接下来是一般交叉口的控制策略

一般交叉口

我们做出一个决策而言

肯定需要衡量它带来的收益

和带来的损失

那么如果放行当前

对于当前相位而言

如果放行车队

那么带来一定是收益

收益可以用这个表达式来表示

那么对于其他接下来的相位

包括在次干道上等候的那些车

带来了一个损失

这个损失可以包括

有两部分的损失

一部分是固定延误

一部分是预测延误

这两条线

红色的是车辆到达累计线

绿色的是车辆离开累计线

这两部分延误

就是后续相位的损失

我们可以具体的计算

这个预测延误

可以用这个表达式来计算

而固定延误

预测延误可以用下面表达式

来计算

那么计算完以后

我们可以做出判断

如果带来的收益

大于损失

我们可以继续放行当前车队

如果不是

那么我们就切换到下一个相位

这是我们整个的算法

依次的相位

每个相位当中包括了

初始绿时

感应绿时

初始绿时结束之后

进入感应绿时

感应绿时当中我们就需要判断

这个损失和收益

如果损失大于收益

那么我们就切到下一个相位

如果损失小于收益

那么我们就放行当前这个车队

我们设计了几个场景

做进行了数值实验

四个场景

包括第一个到四个相位

它的流量大

那么场景一 一个相位流量大

我们这个算法是

比较有一些明显的提高

相对于传统的感应控制

有明显的提高

第二场景是两个相位流量大

我们这个算法

也有较大的优势

而第三个第四个场景

我们算法优势不是太明显

说明在四个流量

三个或者四个方向的流量

都较大的场景下

这个现有的控制策略

已经没有太大的提高的余地了

这个其实也很好理解

如果各个方向流量都特别大

其实也就没有什么办法

能够继续提高

路口的性能了

好接下来我们看第四章

区域的信号控制

刚才我们所讲都是单交叉口

信号控制

那么在多交叉口而言

跟单交叉口

其实还是有所不一样的

在讨论单交叉口的时候

我们通常有一个假设

就是上游的这个车辆

是均匀到达的

但是对于多交叉口来讲

这个假设不是特别正确

这里我统计的做了一个对比

蓝色的是上游

在交叉口之前的车辆到达

而红色是下游

在交叉口之后的车辆到达

这个规律

可以看到这个上游下游的规律

经过交叉口的打断以后

是完全不一样的

根据一些文献指出

在城市交通流当中

经过交叉口打断之后的

这个车辆这个车头时距的分布

是接近于log-normal分布

就是对数正态分布

可以看到这个下游这个曲线

与对数正态分布曲线

是拟合得比较好的

而上游并不一定遵循

对数正态分布

这是其中一个效应

第二个效应

车队的弥散效应

经过信号灯打断之后

往往会聚集

车辆往往会聚集成

一股一股的车队

但是经过了红绿灯之后

由于各个车队内部

速度不一样

它也会有所弥散

流量筛选效应

经过交叉口的流量

不会大于一个特定的值

这对于我们设计信号灯而言

是有一定好处的

先让我们看看

这个多交叉口信号

配时的策略

首先我们根据Webster的配时理论

经典配时理论

确定这个信号的周期长度

和每个相位的长度

确立了长度之后

接下来更重要的一点

就是相位差的优化

相位差的优化

我们从简单到复杂

逐步建立它的模型

首先最简单情况而言

这是一个主干道

固定带宽相位

这个带宽是固定的

那么对

这个相位差的优化

我们进行建模

建模之后可以转化成

这样一个混合整数优化的问题

这个问题在规模不大的时候

是可以非常快速的求解的

在规模大的时候

也可以利用一些

分支定界之类的

剪枝的技巧

进行比较快速的求解

然后在主干道

我们可以考虑一些

更实际的情况

比如说它的带宽是可变的

那么在这个场景当中

我们可以继续建立一个

这样的一个混合整数规划的模型

只是这个

它的目标函数和约束条件

有所发生变化

那么在接下来

对于路网当中

刚才是一条主干道

一条线的一维

对于路网当中

有多个交叉口的情况下

我们也可以建立一个

类似的模型

在这个模型当中

这个条件就更复杂了

但是总体的本质上

是没有太大改变的

也是类似这样一个

只不过是约束条件变得更多了

那么在这个

得到了这个相位差之后

我们就能够对整体的路网

进行配时

在这个配时基础上

利用刚才我们所说的

单交叉口的配时策略

从而提高整体的

这个交叉口的配时的性能

我们做了一个简单的实验

就是利用五道口这个路网

我加了一小段

包括了九个路口

和九个出发到达点

然后每个点

我设计了三个场景

包括早高峰 平峰和晚高峰场景

它们的OD矩阵的示意图

在这里

那么实验结果是

早高峰 平峰和晚高峰时期

三个时期当中

我们提出了这个算法

都具有相当大的优势

跟传统的固定配时

与全感应配时相比

我们都具有相当大的优势

这是平均旅行时间而言

包括这个平均排列长度而言

我们也是具有很大的优势的

好这是我们讲完了

多交叉口的信号控制策略

下面进行简单一些总结

这里的工作重点是

第一点提出了相机参数标定的方法

包括预先标定内参

利用场景中几何元素标定外参

利用多相机约束

优化外参

提出了车辆重构的方法

包括了新的匹配函数

用线框模型进行车辆的匹配定位

利用扩展卡尔曼滤波进行跟踪

接下来第三点

是提出了单交叉口的信号配时策略

包括了主次型交叉口的三种策略

包括一般型交叉口的这个

损益函数的设计

然后提出了多交叉口信号配时的策略

对多交叉口信号相位差

进行建模

建立了一个混合整数规划的模型

并且

将单交叉口策略进行扩展

扩展到多交叉口上

在我们数值实验

显示这个还是优势非常明显的

本研究是车路协同框架下一个

典型的智能交通应用场景

三大部分

这样一个研究

为今后真正推广车路协同框架

打下基础

为其他车路协同框架 场景

也提供了一个思路

接下来是PPT当中

用到部分的参考文献

以及在学期间发表的论文成果

主要是第一篇

是一个国际的会议

然后参加了科研项目情况

本研究主要依托于这个

国家863项目的

一个子课题来开展的

好 我说完了

下面欢迎各位老师提问