基于多目标识别的多路口红绿灯协同控制设计与实现

一、题目来源

生产/社会实际

二、研究目的及意义

随着全世界范围内经济的发展和人口的增长，城市系统中汽车保有量持续增长。据统计，国内汽车保有量正在逐年增长，2020年我国国内汽车保有量已经达到2.7亿辆[1]。汽车数量的增多带来了极大的通行负担，现有道路系统的发展无法与汽车保有量的增长相匹配。在城市用车高峰时间段，通行需求大导致大量汽车驶上道路，有限的道路通行能力无法满足需求，往往造成交通拥堵[2]。交通拥堵在我国城市道路交通系统中非常普遍，带来了诸多问题，包括化石能源的消耗，经济效益的损失和交通事故的增多等[3]。而道路拥堵程度很大程度上受交通系统中路口通行效率的影响。据统计，交通事故有超过 40%发生在路口，并且路口的事故率与交通拥堵程度正相关[4]。路口的车辆通行主要由交通信号灯进行控制，现有的信号灯控制系统发端于上世纪，主要为英国的SCOOT系统，澳大利亚的SCATS系统以及日本的 KATNET系统，它们对道路车流采取分布式的自适应控制和集中式的道路网络区域协同控制，系统开放性较差，协同能力不足，控制规律较为简单。因此，路口通行效率仍有较大的提升空间[5,6,7]。同时，现今城市道路设计固定，无法大规模重构，通过延长道路长度或道路数量的手段并不适用，优化路口通行效率是为数不多能够从交通系统层面进行改进的手段。路口信号灯控制率的优化，能够提高路口通行效率，减缓拥堵程度，带来经济效益。因此，针对城市道路交通系统中的大规模路口进行关于协同优化的研究有重要的实际意义和高度的研究价值。

三、阅读的主要参考文献及资料名称

[1] 赵娜, 袁家斌, 徐晗.智能交通系统综述[J].计算机科学,2014,41(11):7-11+45.

[2] NHTSA. Traffic safety facts 2014[J]. 2014. Available: http://www.nhsta.gov/FARS.

[3] Marchesini P, Weijermars W A M. The relationship between road safety and congestion on motorways[M]. Leidschendam: SWOV Institute for Road Safety Research, 2010.

[4] Hunt P B, Robertson D I, Bretherton R D, et al. The SCOOT on-line traffic signal optimisation technique[J]. Traffic Engineering & Control, 1982, 23(4).

[5] Lowrie P R. Scats, sydney co-ordinated adaptive traffic system: A traffic responsive method of controlling urban traffic[J]. 1990.

[6] Abbas A, Schrauf G, Valero E. Aerodynamic Technologies for More Effective, Environmentally Friendly Air Transport System: The KATnet Strategy[C]. Innovation for Sustainable Aviation in a Global Environment: Proceedings of the Sixth European Aeronautics Days, Madrid, 30 March-1 April, 2011, 2012: 82.

[7] DELL P, MIRCHANDANI B. REALBAND: An approach for real-time coordination of traffic flows on networks[J]. 1995.

[8] S. Darmoul, S. Elkosantini, A. Louati, and L. B. Said, “Multi-agent immune networks to control interrupted flow at signalized intersections,” Transportation Research Part C: Emerging Technologies, vol. 82, pp. 290–313, 2017.

[9] B. P. Gokulan and D. Srinivasan, “Distributed geometric fuzzy multiagent urban traffic signal control,” Intelligent Transportation Systems, IEEE Transactions on, vol. 11, no. 3, pp. 714–727, 2010.

[10] Vanhoucke V, Senior A, Mao M Z. Improving the speed of neural networks on CPUs[J]. 2011.

[11] Silver D, Huang A, Maddison C J, et al. Mastering the game of Go with deep neural networks and tree search[J]. nature, 2016, 529(7587): 484-489.

[12] 陈旭梅, 于雷, 郭继孚, 等. 美, 欧, 日智能交通系统 (ITS) 发展分析及启示[D]. 2004.

[13] 曹淑敏. 《关于积极推进“互联网+”行动的指导意见》解读[J]. 软件产业与工程, 2015(5): 7-10.

[14] 陈超, 吕植勇, 付姗姗, 等. 国内外车路协同系统发展现状综述[J]. 交通信息與安全, 2011, 29(1): 102-105+ 109.

[15] Mirchandani P, Wang F Y. RHODES to intelligent transportation systems[J]. IEEE Intelligent Systems, 2005, 20(1): 10-15.

[16] DELL P, MIRCHANDANI B. REALBAND: An approach for real-time coordination of traffic flows on networks[J]. 1995.

[17] Mauro V, Di Taranto C. Utopia[J]. IFAC Proceedings Volumes, 1990, 23(2): 245-252.

[18] Qun-zu L, Qing-guo X, Ming-chun B A, et al. Status and development of the urban traffic signal control system[J]. Science Technology and Engineering, 2009, 2009: 24.

[19] 朱中, 管德永. 海信HiCon交通信号控制系统[J]. 中国交通信息产业, 2004, 10: 52-55.

[20] 宋辉, 郑国旋, 严萍.深圳市智能交通信号控制系统.中国公共安全:智能交通, 2007; (8): 45-49.

[21] 牛虎, 李桂萍, 林 磊. 城市单点交叉口信号灯模糊控制建模与仿真[J]. 交通标准化, 2009(17): 32-36.

[22] 刘灿齐, 杨佩昆. 信号灯交叉口车队散布模型与信号灯协调控制[D]. 1996.

四、国内外现状和发展趋势与研究的主攻方向

（一）国外研究现状

交通信号控制早期采取人工控制，后来逐渐向电子化发展，直到今天的计算机控制。控制的对象早期只是单个路口的信号控制，后来发展到协调控制系统，这种系统可以基于主干线进行信号的协调，而现在已经可以实现大范围交通网络内的区域协调。早期的控制是离线的，也就是离线求解一个固定的信号灯周期，然后由信号灯来执行，而现在的控制策略实时地根据交通流状态进行决策，在线地进行控制。

20世纪70年代开始，澳大利亚开始研究SCATS交通信号控制系统，1980年开始将其应用在城市交通系统中。SCATS是一种方案选择式的自适应控制系统，多个路口组成一个子系统，上层在子系统之间进行协调，子系统之间可以分解重组，下层在子系统内进行控制参数的选取，控制参数包括信号周期、绿信比以及相位差。子系统间由上层控制调度相位差，子系统内部从子系统角度统一地选取信号周期和绿信比，并根据实时的交通流数据进行微调。这种系统实际上并未使用交通模型，主要是一种方案的选择，优化程度不高，灵活性较差。

另一种较为出名的信号灯控制系统是是英国的SCOOT系统，它于1979年正式投入使用，并在全球200多个城市得到了应用，也在几轮升级迭代中不断完善。SCOOT同样是方案生成式的自适应控制系统，它能够实时地测量交通流信息，再基于这些交通流信息进行配时优化。不同于SCATS，它的配时优化基于交通模型进行。系统首先采集实时的交通流信息，然后进行子区的划分，进而通过交通流模型进行车队预测和车辆排队长度预测，最后再用频率较高、增量较小的模式去调整信号参数，进行优化。SCOOT方案较为灵活，通过实时交通模型来确定信号配时方案。它能够针对下一周期的交通条件进行预测，使得预测更为准确，控制更为有效。同时，它采用频率较高、增量较小的优化参数调整模式，避免了优化参数跳变带来扰动的情况。SCOOT方案中，交通模型的建立需要消耗大量的资源，性价比不高。交通信号相位是固定的，相位的顺序也无法自动改变，灵活性不佳。此外，方案中子区划分的方法尚未明确。

1996 年，美国亚利桑那大学开发了RHODES（Real-time Hierarchical Optimized Distributed and Effective System）系统,测试表明RHODES在半拥挤交 通系统下的表现很好[17]。RHODES同SCOOT一样，利用交通预测模型提前获得交通流的关键信息，以使系统的控制响应不滞后于交通状态。它主要预测单个车 辆的运动来预测整个交通流短期和长期内的变化，应用最优化方法基于设计的性能指标优化控制量。RHODES总体结构呈三层递进，有大范围的交通网络到各个路口的决策，这一点跟SCOOT很像。最上层的网络负荷分配层对长时间的交通进行预测，从而确定排队长度的上界。中间的网络控制层预测车流的未来状态，在各个路口之间设立约束，从而实现协调控制。采用的是一种叫做实时绿波带（Realband）的算法，考虑车队在网络内的可能冲突，使用决策树对进行协调控制，决策树选取最优策略来为路口间建立协调约束。最底层的路口控制层根据上层的决策和当前路口的交通状态进行决策，控制当前路口的相位顺率和绿灯时长。值得注意的是，这里RHODES采用非参数化控制，并不控制信号周期、信号相位差和绿信比，而是控制相位顺序和相位长度。而决策方法采用COP，其思想就是构建最优化问题，再用动态规划去求解控制量的方案。RHODES系统提出了一种新的实时绿波带（Realband），运用决策树方法进行上层协调控制，用最优化方法实现底层控制，优化目标可以自由选取，较为灵活[18]。

1985年，意大利Mizar Automazione设计的分布式实时交通控制系统 SPOT/UTOPIA开始在城市道路系统中运行[19]。其同样采取分层策略，上层在大范围区域内协调控制，控制方法同样适用最优控制方法，控制量包括子区的划分，子区的周期和权重。下层的各个子区有着相同的周期，通过不断调整控制量来优化性能函数。

（二）国内研究现状

我国交通信号灯控制系统发展较晚，20世纪80年代后，在引进国外优秀交通控制系统的同时进行自主开发。我国自主研发的智能城市交通系统结合国外成熟交通控制系统的优点，结合我国城市道路自己的特点，取得了一定成就，主要有南京莱斯城市交通控制系统（NUTCS）、青岛海信HiCon交通信号控制系统和深圳SMOOTH交通信号控制系统[20, 21, 22]。这些国内自主产品针对当地的路网特点和交通特征进行设计开发，比如SMOOTH汲取了SCATS系统战术微调的策略，针对高饱和度、高期望值和高复杂度的交通特征，在平峰期以通行效率最大化为控制目标，在高峰期以拥堵程度最小化为控制目标，非常灵活和有效。

现有应用产品有着相似的结构，大都使用分层的方法，上层用来实现协调优化，方法从基于规则的方法到最优控制方法，传递给下层的数据各不相同，有协调约束、子系统的划分和参数和离散化的控制策略等。下层对各个路口实施分布式的控制，即交通信号控制量的决策，需要综合当前路口的交通流状态、上层决策结果来进行综合决策，部分文献的决策方法采用离散化的基于规则的策略，更多的是采用最优控制的方法求取控制量，这种方法的优化程度更高。交通流随时间而演化，因此预测的方法往往被用于对交通流未来状态的估计，而预测离不开交通模型，总体来说较为依赖型。这些方案并非单一的算法，而是多种离散化的策略和优化方法以及一些技巧思想结合起来的综合决策方案。

五、主要研究内容、需重点研究的关键问题及解决思路

（一）主要研究内容：

红绿灯控制系统设计：研究如何利用摄像头采集交通视频数据，利用YOLOv8算法进行目标检测，识别路口的行人、车辆等目标，从而实时获取交通流量信息。

多路口协调控制：在多个路口之间协调红绿灯信号，以减少车辆等待时间，提高通行效率，避免交通拥堵。

系统硬件实现：使用树莓派作为控制核心，结合摄像头、二极管等器材，实现红绿灯的控制。树莓派接收YOLOv8算法分析后的数据，并基于交通状况对信号灯进行实时控制。

交通流量预测与控制策略：基于目标检测的实时数据，利用交通流量预测模型（如基于时间序列或机器学习的预测方法）对未来的流量情况进行预测，动态调整红绿灯周期和各路口的优先级。

（二）需重点研究的关键问题

树莓派运行YOLOv8的性能优化：YOLOv8算法对硬件性能要求较高，需要利用模型剪枝、量化等技术降低计算负载，或引入硬件加速（如使用NPU、GPU加速模块）。

多路口交通协调算法设计：需要设计基于实时检测数据的红绿灯协调算法，平衡多个路口的流量，避免单个路口的拥堵向其他路口传导。

摄像头数据的实时传输与处理：保证摄像头采集的视频能够低延迟传输到树莓派进行处理，同时实时输出红绿灯控制信号。

硬件控制与集成：确保树莓派的GPIO接口能够稳定控制二极管信号灯，同时实现模块化设计，便于扩展和调试。

（三）解决思路

YOLOv8目标检测与优化：使用模型量化、裁剪等技术优化YOLOv8，以适配树莓派的计算能力；如果需要更高的性能，可以添加硬件加速设备（如Google Coral加速器或NVIDIA Jetson Nano）以提高推理速度。

多路口协调算法：利用YOLOv8输出的目标检测结果（如车辆和行人数量）计算交通流量；基于交通流量预测设计协调控制算法，例如通过强化学习或自适应控制动态调整红绿灯时序。

树莓派与硬件控制：树莓派通过GPIO接口控制红绿灯的二极管模块。通过PWM信号调节灯光亮度，增强信号灯的模拟效果。设计一个任务调度程序，使树莓派能够并行处理目标检测和信号灯控制。

系统测试与优化：搭建一个模拟多路口的实验环境，利用多个摄像头和二极管模块进行测试；通过通行效率、平均等待时间、系统响应时间等指标评估控制效果，并基于结果调整参数。

这种设计能够实现一个多路口智能交通控制系统，有助于解决交通拥堵问题，提高交通系统的效率。

(四）系统构思图

图1 系统构思图

六、完成毕业设计所必须具备的工作条件

PC机硬件要求

（1）CPU：推荐使用Intel I5以上

（2）内存：推荐使用16G以上

（3）硬盘剩余空间：不小于100G

PC机软件要求：

（1）操作系统：Windows/Linux操作系统

（2）安装python

（3）服务器

七、工作的进程和时间安排

2024年10月18日至2024年11月7日，联系指导老师，确定设计内容，调研相关资料。

2024年11月8日至2024年12月31日，继续调研相关资料，进行多个方案的可行性对比，进行开题答辩，确定主要方案的大致框架。

2025年1月1日至2025年4月29日，逐一实现各个功能，并把各个功能模块进行整合，同时进行调试和修改。

2025年4月30日至2025年5月30日，对系统继续修改调试，同时撰写论文，准备答辩相关事宜。