【Jetson開發項目展示】自適應交通控制系統

• 2020 年 3 月 13 日
• 筆記

【項目團隊】Chathuranga Liyanage, Sandali Jayaweera

該項目使用基於視覺的交通擁堵測量方法來調整紅綠燈時間，以減少車輛擁堵。

【項目物料】

【項目背景】

如今，一個眾所周知的事實是，城市地區的交通擁堵已加劇到影響人們的日常生活。人口的增長和街上車輛數量的增加正導致更多的交通擁堵，更長的旅行時間和更多的排放。因此，交通擁堵會浪費大量時間在道路上，還會污染環境，從而影響國民經濟和勞動生產率。

該項目旨在通過提供可擴展的解決方案來減少路口的交通擁堵。通過預測每個交通訊號燈相位的更好時序調整，可以減少路口的交通擁堵。傳統的訊號系統使用定時電路，該電路與時間無關，並且在沒有任何當前流量估計的情況下變為紅色和綠色，並讓車輛從一個交叉路口流出，卻不知道下游交叉路口的交通擁堵，從而阻塞了大面積區域與洪水車輛。此解決方案分為三個主要部分：從實時影片流中提取交通參數，為交通訊號燈預測更好的時序調整，並將預測的時序調整傳遞給現有系統。

第一部分涉及視覺演算法的工作。從路口的攝像機，我們可以獲取實時影片流進行分析。通過分析此實時影片流，它在綠燈階段輸出車輛計數。系統的第二部分是預測更好的時序調整。第一部分的輸出（車輛計數）被輸入到演算法中，並且輸出應該改變什麼時間改變以增加一個周期通過交叉路口的車輛數量。我們解決方案的最後一部分是將預測的時間調整傳遞給現有交通訊號燈系統的控制器。

將系統開發為單獨的三個部分的主要目的是在不干擾其他模組的情況下並行執行每個部分，因此可以高效地實現這些模組。由於具有可擴展性，即使在較大的流量網路中也可以輕鬆使用此解決方案，只需進行較小的更改即可處理流量擁塞。

【項目架構】

預期系統的架構如下所示：

由於該項目與R＆D部件相關聯，因此實施該系統需要大量時間和精力。因此，存在將所有系統安裝在道路附近並執行實施的實際問題。為方便起見，我們使用了第三方服務（Firebase）在交通訊號燈和我們位於遠程位置的已實現系統之間傳輸數據。在這種情況下，我們可以監控來自IP流量攝像機的影片，測試我們的演算法，然後從我們位於遠程的實驗室將輸出發送到交通燈控制器。

以下是修改後的系統架構。中間設備包括一個樹莓派和一個邏輯電平轉換器。

【視覺模組】

該視覺部分的主要目的是制定演算法，從環境中提取資訊（在我們的情況下為環形交叉路口），可以輕鬆地將其用作時間預測演算法的狀態，以作為衡量每個階段擁塞程度的好方法。我們希望從場景中提取的資訊對於具有不同特徵（如相位，視野，地質模式和類型）的所有類型的路口都應該是可推廣的。我們甚至認為從真實世界中提取的資訊應該與模擬環境高度相關，而無需進行場景特定的校準。我們的目標是構建一種精度高，實時性強的演算法。

最後，考慮到上述原因，我們決定考慮每個階段通過綠色訊號的車輛數量。這給了我們一個特殊的優勢，即可以獲取有關節點上游和下游流量狀況的部分資訊。

我們按照以下步驟提取車輛計數資訊：

-車輛本地化

-車輛通過使用檢測到的物體跟蹤連續幀

車輛本地化

更具體地說，我們需要從場景中定位各個移動的車輛。我們將此問題表述為前景分離，而不是分類觀點。最初，我們嘗試了標準的數字影片處理演算法，例如使用高斯混合模型和密集光流的自適應背景減法。由於惡劣的天氣條件，遮擋和相機晃動，他們在本地化方面的結果並不可靠。為了實現現實世界，我們想要一個比此更一致的演算法。最後，我們使用yolo tiny v3 prn架構，並使用收集的數據集從頭開始對其進行訓練。

與yolov3-tiny相比，Yolov3 prn的精度與yolov3 tiny相同，但記憶體減少了37％，計算量減少了38％。

它在Jetson NANO上以45fps的速度運行。

我們從霍頓廣場路口收集了3000張影像。最初，我們對其中的500個進行了注釋，並對其進行了訓練，並使用它對影像進行了注釋。然後，我們進行了模型注釋並糾正了錯誤，並使用所有影像增強對所有影像進行了重新訓練，例如隨機翻轉，色調和飽和度變化，比例尺變化和混合方法。我們能夠獲得84％的mAP（平均精度均值）。我們使用Darknet框架訓練模型。

我們使用SORT（簡單的在線跟蹤）來跟蹤車架上的車輛。它首先使用卡爾曼濾波器估計邊界框的位置，並使用匈牙利演算法根據聯合的相交度量將每個軌跡分配給新檢測到的框。

我們從最先進的演算法SORT（簡單的在線和實時跟蹤）開始。它具有以下步驟

-我們之前訓練過的YOLO-V3-tiny的Box detection。

-通過卡爾曼濾波器跟蹤盒子坐標，流速

-通過使用IoU作為度量標準的匈牙利演算法，將當前幀中新近檢測到的盒子與軌跡相關聯。

我們創建了一個管道來實時處理該過程。為了識別交通擁堵，我們需要每個階段兩台攝像機的視圖以獲取該階段的完整視圖。因此，我們需要同時處理來自Jetson nano的兩個通道的影像。

這包括——

1.解碼RTSP流

2.檢測

3.追蹤

4.可視化結果