基于多传感器信息融合的路口控制器设计

1、基于多传感器信息融合的路口控制器设计孔亚广1 郭斯羽21杭州电子科技大学，杭州，310037ygkong2湖南大学电气与信息工程学院，长沙，410082摘 要： 本文针对交通数据含有大量噪声和不确定因素，单纯依靠某一类传感器进行数据采集无法获得准确数据.给出利用多传感器数据融合实现交通流数据采集的两层结构。在第一层，将来自不同信息源的数据组合成一个新的信息流；在第二层，则利用模糊神经网络来预测车辆排队长度。在此二层结构基础上，设计基于车辆排队长度的交叉口多相位模糊控制器，并通过某典型路口的采集数据验证该方法的可行性。关键词： 多传感器数据融合 模糊神经网络 多相位模糊控制器 排队队长urban

2、 traffic controller using multi sensors data fusion kong yaguangp1p and guo siyup2pp1pinstitute of information and control, hangzhou dianzi university, 310037,hangzhou , china p2college of electrics and engineering, hunan university,410082,changsha ,chinaemail:ygkongabstract: there are massive noise

3、s and uncertainty factor in traffic data. it is difficult to obtain accurate data from one sensor. three layers structure to realize the traffic data acquisition based on multi sensors data fusion is given in this article. in the first layer, data from different data source is integrated to an unifo

4、rm data stream; in the second layer, fuzzy neural network is used to predict the queue length and traffic time. in the third layer, multiphase fuzzy controller for intersection based on queue length is designed. feasibility of such method is proved by the simulation of one typical intersection. keyw

5、ords: multi sensors data fusion , fuzzy neural network, multi phase fuzzy controller, queue length1. 引言作为一个理想的城市区域自适应交通信号控制系统，人们希望它具有如下功能：(1) 对交通条件的变化如偶发性拥挤、事件、事故及交通需求的增加等具有自适应性，也就是说系统能够在线优化配时方案并进行实时控制；(2) 能够利用动态交通分配进行信号控制；(3) 能够实现特定线路上的公交或特种车辆优先控制；(4) 具有自学习功能，通过对已有控制动作的学习，逐步提高控制性能；(5) 具有容错能力，即使检测或通

6、信出现故障，系统也不至于失控。 基金项目：国家自然科学基金重点项目60434020作者简介：孔亚广（1976），男，博士 郭斯羽（1975），男，博士目前已有大量学者将模糊控制技术1-4、神经网络技术5-7、遗传算法8-9等人工智能技术应用于智能交通控制领域，并取得了一定成果。文献1提出了一种两级模糊控制方法。该方法能够实时响应交通需求，依靠安装在路口上游的环形线圈测量车流量并估计排队长度，以此来决定是否延长或终止现行的信号相位。在决策过程中采用了两级模糊控制方法：第一级用观测数据来估计现在的绿灯方向和红灯方向的交通强度；第二级由该交通强度来确定是否延长或终止现行的信号相位。文献2，3设计了一

7、个多相位模糊控制器，其输入为当前通行车道上的车队长度及该长度与下一相位车道上车队长度的差；输出为当前通行相位的绿延时。模糊推理规则根据交通警察的经验知识建立。该模糊控制器已在实际路口应用，效果良好。文献4提出了一种递阶模糊控制方法进行干线协调控制，其基本思想是：用递阶结构和模糊理论来解决交通干线的实时协调控制问题。文献5将神经网络与模糊控制技术用于前向动态规划(fdp)算法中，使其计算速度有了明显提高，该方法已经用在prodyn系统中。文献6采用了模糊神经网络方法用于城市干线的协调控制。文献7提出了一种单路口的神经网络自学习控制方法。它由两个处于底层的神经网络信号控制器和一个处于顶层的控制效果

8、评价准则组成。文献8提出了一种新的基于遗传算法的交通信号配时优化方法，它综合了基于延误模型和基于带宽模型方法的优点，能够同时对周期长度、绿信比、相位差和相序进行优化。文献9提出一种基于免疫遗传算法的城市区域交通协调控制方法。采用两层的递阶分布式结构；分阶段和分级优化控制参数(周期、相位差和绿信比)，每个阶段长510分钟，周期。相位差由区域控制级每个阶段优化一次，绿信比由路口控制级每个周期优化一次采用最小化平均延误时间和平均停车次数等为性能指标。周期、相位差和绿信比均采用改进的免疫遗传算法进行优化。本文针对交通数据含有大量噪声和不确定因素，单纯依靠某一类传感器进行数据采集是无法获得准确数据，给出

9、利用多传感器数据融合实现交通流数据采集的两层结构。在第一层，将来自不同信息源的数据组合成一个新的信息流；在第二层，则利用模糊神经网络来预测车辆排队长度。并在此二层基础上，设计一个控制层，给出基于车辆排队长度的交叉口多相位模糊控制器。2. 系统结构本文研究针对如下交叉路口的基于排队对长的多相位智能模糊控制器。图1：典型平面交叉口路口i为双向六车道十字型交叉路口，在对某相位放行时，是否给此相位绿灯延时，取决于此相位排队长度和下面几个红灯相位排队长度的综合比较；根据其他相位等待时间排队长度来确定下一相位的放行循序，以达到相序优化的目的，最后达到减少排队长度，使车辆的平均延误能进一步减少的目的。为得到

10、各车道的排队长度，我们考虑通过模糊神经网络和多传感器数据融合来实现对各车道排队长度的估计。一般而言，在a点的三个车道的排队长度与当前车道的车辆速度、通行时间、饱和度以及b、c、d、e点相应交通信息有关，为此，我们建立一个模糊神经网络来预测相应车道的排队长度。并通过多传感器数据融合来提高交通信息采集的准确性和容错能力。其系统结构如下：图2：系统结构3. 信息融合方法在基于多传感器信息融合技术的城市道路交通区域控制系统中，信息融合环节是其核心的部分。它的作用是将车辆传感器送来的信息进行综合分析、计算和推理，得出道路的车流量、车流速度、排队长度以及事故状态等交通信息。按图1所示，在路口i和i+1之间

11、，分为n段，每个区域的三条车道两端均装有环形线圈检测器，用以检测每条车道的交通参数，同时在其对面安装一个摄像头监控这三条车道的排队状况和车辆速度。由于路况特征、车流分布、车辆中途进出和交通事故等因素影响，单一传感器所测得的交通参数往往不能真实反映实际的交通状态，因此需要用多个传感器进行测量。数据融合的目的是依据较充分的传感器资源，减少测量的不确定性，以获得更准确、可靠和丰富的测量结果。同时，由于采用了多传感器数据融合处理，当系统中的某些传感器失效时，可依赖其他正常传感器提供的信息，通过数据融合计算获得准确的交通信息。设第i条车道第j区第k时段的某个原始交通信息用表示。令：。同时令，这里。那么根

12、据gm(1,1)模型，有。从而可得对的估计： (1)而参数可通过最小二乘算法可估计。那么当时段t1发生传感器故障时，该区域当前时段的交通信息可通过（1）式得到。而第i条车道在第k时段的某个交通信息的平均值则可通过。如果某个时段存在故障，则用相应的估计来代替。通过埋设的环形线圈和摄像头，可以直接得到车辆的速度、车流量、饱和度、通行时间和排队队长。基于上述数据融合方法，可以得到车辆在图1所示的各点ae的车辆速度v、车流量q、饱和度o、通行时间t和排队队长l。4. 控制器设计当交通流较大且变化较剧烈时，感应控制是减少车辆延误的有效方法。不少文献将模糊技术应用到单交叉口的信号控制，仿真结果显示出明显的

13、优越性。本文基于如下考虑：在某一相位的放行过程中除了尽可能消除当前的车队队长外，交警还会考虑其他相位车道的车队长短与车队的等待时间，然后综合考虑是否把通行权交给下一个相位，以达到尽可能减小十字路口平均排队长度与车辆的平均延误时间的目的。对于单交叉口，需要调整的是两个参数，即周期与绿信比。周期一般根据饱和度来调整，而绿信比是根据车辆排队长度来控制。控制目标是使交叉口前的车辆排队长度尽可能短。控制方案的变换间隔不能太小，否则方案变换可能引起进一步的交通阻塞。因此，在一个阶段（通常为7个周期左右）内，交叉口周期保持不变，各交叉口的绿信比实时调整，本阶段的周期由上阶段交叉口的车流量的检测值来协调确定。

14、而对相序的调节，则是在同一周期下按车辆的等待时间和排队长度对各相位划分优先等级，从而得到相序的优化。但是对过饱和交通流，只能按相位的信号最大绿灯时间控制，而相位最小时间的引入是为了确保此相位已过停车线而来不及通过十字路口的车辆的安全，也是在某相位车辆很少的情况下给行人和非机动车过街时间。控制过程如下：步骤1：根据以往的交通量统计数据给出交叉口的最佳周期c、最小周期和最大周期以及各相位的关键度。步骤2：计算出各相位的最大绿灯时间和最小绿灯时间（）。设j0。步骤3：用模糊控制调整绿信比，使交叉口前的排队长度尽可能的短，从而实现车辆延误尽可能的小。步骤3.1：i=0;步骤3.2：给相位i以最短绿灯时

15、间放行；步骤3.3：在内根据预测模型预测相位i及相位i+1的车队长度，设其分别为和步骤3.4：若或且或，则将绿灯转到下一相位，即；若i>m（m为相序中的相位数目）,则进入步骤4，若则回到步骤3.2；否则，继续；步骤3.5：根据值的大小来确定绿灯延长时间，若小则少量延长绿灯时间，若大则大量延长绿灯时间。这一过程由模糊控制算法来实现。若，则，否则，返回步骤3.3步骤4：，检验成立否，若成立则到下一步，否则，回到步骤3。步骤5：根据本阶段的交通流量，计算该交叉口的饱和度和各相位的关键度，根据饱和度来确定周期增量，从而得到下一个阶段的周期长（，若，则，若则），以保证交叉口的车辆延误经可能小，使交

16、叉口的饱和度接近0.9。回到步骤2。为了检验本交通控制器的有效性，以通过交叉口的平均车辆延误作为评价指标，本文利用软硬件结合的仿真方式对本控制系统与多相位定时控制系统进行了比较，仿真结果如图所示。图3：仿真结果从图可知：随着交通流量的改变，本文设计的控制系统的改善效果也会发生显著变化。在车流量较小的情况下，两者变化不大，而随着车流量的增大，单位车辆延误时间最大减少可达60以上，这说明本文的多层控制系统改善效果是相当可观的。5. 总结本文基于多传感器数据融合和模糊神经网络预测车辆排队长度，并设计基于车辆排队长度的模糊控制器。一方面大大提高了系统的可靠性，另一方面也增强的车辆的实际通行能力，仿真结

17、果也验证了这一点。参考文献：1 mohamed b. trabia, mohamed s. kaseko and murali ande, “a two-stage fuzzy logic controller for traffic signals”, transportation research part c,vol.7, pp353-367,1999. 2 l. yu and j. chu, “an lmi approach to guaranteed cost control of linear uncertain time-delay systems,” automatica, v

18、ol. 35, no. 6, pp. 1155-1159, 1999.3 e.f. mulder and m.v. kothare, “title of paper,” in proc. amer. control conf., vol. 5, chicago, il, june 2000, pp. 3239-3243.4 m. young, the technical writers handbook. mill valley, ca: university science, 1989.5 yuh-horng wen,tsu-tian lee, “hybrid models toward t

19、raffic detetor data treatment and data fusion”,pp525-530,2005.6 li xiuping,liu zhiyong,yin zhengqi,wu jinpei, “an approach to intersection intelligent traffic signal control based on multisensor integration and fusion technologies”,information and control,vol.30,no.5,pp460-464,2001. 7 prasad palacha

20、rla,peter c.nelson,virginia p.sisiopiku, “data fusion using fuzzy-valued logic”,pp115-119,1999.8 jose cuena,josefa hernandez and martin molina, “knowledge-based models for adaptive traffic management systems”,transpn. res.-c,vol.3,no.5,pp311-337,1995.9 li cunjun,yang rugui,jin fan, “data-fusion pred

21、iction of traffic information based on artificial neural network”,systems engineering,vol.22,no.3,pp80-83.10 daniel j.dailey, “sensor data fusion within a regional architecture for its applications”,11 prasad v. palacharla,peter c. nelson, “application of fuzzy logic and neural networks for dynamic

22、travel time estimation”,international transactions in operational research,vol 6,pp145-160,1999.12 eiichi taniguchi,hiroshi shimamoto, “intelligent transportation system based dynamic vehicle routing and scheduling with variable travel times”,transportation research part c,vol.3,no.5,pp235-250,2004.

23、13 ganglen chang and chihchiang su, “predicting intersection queue with neural network models”,transportation research part c,vol.3,no.3,pp175-191,1995.14 zhong guowen,zhu jin, “intelligent traffic control system of isolated intersection”,journal of guangxi university(nat sci ed),vol.29,sup.,pp175-1

24、80,2004.15 chen shuyan,chen senfa,wu mingzan, “real-time fuzzy control for multiphase traffic signals in isolated intersection”,systems engeneering-theory and practice, no.1,pp110-115,2003.as of microsoft® internet explorer 4.0, you can applmultimedia-style effects to your web pages using visua

25、l filters and transitions. you can apply visual filters and transitions to standard html controls, such as text containers, images, and other windowless objects. transitions are time-varying filters that create a transition from one visual state to another. by combining filters and transitions with basic scripting, you can create visually engaging and interactive documents.internet explorer 5.5 and later supports a rich variety of optimized filters. click the following button to see a demonstration of many of these filters and how to usetheprocedural surfaces a