Одной из основных проблем в современных крупных городах является перегруженность дорожного трафика, особенно в пиковые часы, из-за постоянного увеличения автотранспорта. Это приводит к пробкам и заторам, что и снижает общую скорость дорожного движения. Помимо этого, также увеличивается количество выбросов вредных токсичных веществ в окружающую среду, поскольку длительность автомобилей в пути увеличивается.
Из-за перегруженности дорожной инфраструктуры также увеличивается количество аварий и дорожно-транспортных происшествий (ДТП), поскольку безопасность дорожного движения связана с интенсивностью автомобилей на дорогах [1].
Также существует проблема неравномерного распределения транспортного потока в различное время суток. Например, утренние и вечерние часы в будние дни требуют особого внимания на определенных участках дорог, чтобы обеспечить более плавное дорожное движение.
Для решения этих проблем требуется не только расширение дорожной инфраструктуры, в виде увеличения числа полос, строительства новых и перестройки имеющихся дорог, но и необходимы технологические решения, такие как, например, разработка «умных» систем управления (СУ) трафиком, основанные на искусственном интеллекте (ИИ), которые представляют инструменты для более эффективного регулирования автомобильных потоков и способны адаптироваться к изменяющимся условиям дорожного движения.
Рассмотрим современные типы систем управления для светофоров, которые используются для регулирования трафика.
Традиционные статические системы предлагают фиксированные временны интервалы для каждого направления дорожного движения. Такие системы имеют свои преимущества и недостатки. К преимуществам можно отнести простоту в установке и обслуживании, низкую стоимость, а также фиксированные временные интервалы, когда это необходимо. К недостаткам относят: отсутствие гибкости, поскольку они не способны адаптироваться к изменениям в интенсивности транспортного потока; неэффективное использование ресурсов, поскольку светофор может показывать красный свет на тех участках дороги, на которых нет транспортных средств (ТС), что может приводить к задержкам на других; отсутствие реакции на изменение ситуации, например, из-за ДТП [2].
Адаптивные СУ для светофоров используют данные о трафике, которые получают от различных датчиков и камер для того, чтобы динамически изменять время работы светофоров. Такие системы обеспечивают эффективное регулирование трафика, т.к. реагируют на интенсивность дорожного движения и оптимизируют продолжительность сигналов для светофоров. В работе [3] с помощью электродинамического моделирования, теоретических расчетов и анализе данных было установлено, что установка адаптивного светофора с датчиками TrafiCam значительно поспособствует улучшению транспортных ситуации на перекрестках в Ростове-на-Дону. К преимуществу адаптивных систем относят улучшение проходимости дорог, а также более эффективное управление транспортными потоками, их контролирование и информирование в реальном времени об изменениях ситуациях на дороге [1]. Однако установка и их обслуживание требуют дополнительных затрат, ведь они базируются на сложных технологиях и высокоточных датчиках. Стоит учитывать также, что такие системы в случае неисправности датчиков могут привести к нарушениям движения и созданию еще более крупных пробок на дороге. Такие системы активно используются на перекрестках с переменной интенсивностью, например такая система внедрена в Москве на перекрестке Чонгарского и Симферопольского бульваров, что сократило среднее время прохождения общественного транспорта на 35% [4]. А в работе [1] было исследовано, что средняя скорость потока после внедрения адаптивной СУ увеличилась на 20%.
Координированные СУ совмещают работу нескольких светофоров на различных перекрестках, чтобы обеспечить беспрерывное движение автотранспорта через серию перекрестков. Их логика заключается в согласованной смене цветов светофоров, что позволяет автомобилям двигаться с минимальными остановками на протяжении определенного маршрута. Такие системы приводят к снижению задержек на дорогах и создание плавного движения для водителей. Однако установка таких систем требует высоких затрат для согласования и настройку светофоров. Кроме того, из-за нарушений в работе СУ могут создаваться дополнительные проблемы на дорогах. Такие системы чаще всего используют в центральных районах городов, либо на крупных магистралях. Примером таких систем может быть Брянск. В работе [5] для г. Брянска был представлен вариант схемы организации дорожного движения для магистральной системы светофорного управления по принципам «зеленой волны» (рис.), что привело к увеличению скорости на участке до 25%.
Рис. График координированного светофорного управления
Существуют различные технологии для сбора и анализа данных о движении транспортных средств, что позволяет адаптировать режимы работы светофора в реальном времени в зависимости от текущей ситуации на дорогах. К таким технологиям относят датчики транспортного потока, камеры, а также связь между ТС и светофорами.
Датчики транспортного потока представляют собой устройства, в виде индукционных петлей или радаров, которые устанавливаются на дорогах, собирают данные о скорости, количестве и типе проходящих ТС. Далее полученные данные используется для оценки текущей интенсивности движения и передается в СУ светофорами для корректировки режимов работы, что приводит к увеличению скорости ТС, а также снижению аварийности на дорогах [6]. К недостаткам таких датчиков можно отнести то, что они могут быть чувствительны к погодным условиям, а также требуют регулярное обслуживание.
Технологии в виде видеокамер наблюдают за дорожным движением и передают изображения в центр управления, где алгоритмы компьютерного зрения и обработка изображений предоставляет количество объектов на перекрестках, таких как автомобилей, пешеходов, а также различных велосипедистов. С помощью этих данных определяется уровень загруженности на дорогах, что в дальнейшем помогает корректировать режимы работы светофоров. В работе [7] был проведен анализ дорожного и пешеходного трафиков на перекрестке с применением нейросетей, где данные поступали с камер уличного наблюдения. В данной работе за основу «умного» светофора использовался принцип создания минимальных воздействий на пешеходный трафик и обеспечения максимальной пропускной способности ТС при повороте направо, что увеличило пропускную способность прямо на 8-10%, а направо до 50%. Данные технологии для эффективного анализа движения требуют высокой пропускной способности для обработки видео, а также хорошую видимость.
Инфраструктура связи между ТС и светофорами по технологии Vehicle-to-Infrastructure (V2I) позволяет автотранспорту обмениваться данными с контроллером перекрестков, что позволяет СУ предсказывать и реагировать на трафик, оптимизируя работу светофоров. Данная технология помогает собирать детальное описание транспортных потоков, таких как маршрут ТС, скорость и их положение [8], что позволит в дальнейшем использовать эти данные для оптимизации потоков. Для данной технологии необходимо обеспечить безопасность передаваемых данных, а также стабильную связь.
Каждая из технологий значительно улучшает эффективность СУ, т.к. они предоставляют позволять, адаптировать светофоры к реальной интенсивности дорожного движения и уменьшают задержки для водителей. Однако каждая из технологий имеет свои недостатки, и необходимо учитывать их перед внедрением в систему.
ИИ с каждым годом все больше вливаются в нашу повседневную жизнь, а также он становится все более важным инструментом для оптимизации режимов работы светофоров. Алгоритмы искусственного интеллекта повсеместно используются для анализа данных, полученных от различных технологических источников. ИИ способен выявлять образцы и тренды в данных, предсказывать изменения в трафике и предложить оптимальные решения для регулирования светофоров, поскольку, он может учитывать более сложные факторы, такие как погодные условия, аварийные ситуации, праздничные дни или время суток [9], вследствие чего изменять режимы работы светофора на перекрестке, что даст оптимизацию движения, а также повысит общую проходимость и снижет задержку на дорогах [5, 7]. Для оптимальной работы ИИ необходимо непрерывное обновление и постоянное обучение алгоритмов, а также необходимо обеспечить постоянную защиту от различных сбоев, а также, что не менее важно от кибератак.
Исследование применений технологий, основанных на датчиках транспортного потока, камерах и инфраструктуре связи между автомобилями и контроллерами перекрестка V2I, в сочетании использованием искусственного интеллекта, представляет значительный потенциал для улучшения дорожной инфраструктуры. Системы этого типа обеспечивают повышение проходимости дорог, оптимизацию длительности светофорных циклов и прогнозирование изменений в транспортном потоке. Однако необходимо учитывать и ограничения каждой из технологий, такие как высокие затраты, зависимость от внешних условий, а также необходимость постоянного обновления алгоритмов для обеспечения эффективной работы.
.png&w=640&q=75)
