System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及的是计算机技术的智慧交通领域,具体涉及一种基于信息融合和强化学习的智能信号灯控制装置。
技术介绍
1、随着经济和技术的快速发展,人们的生活水平日益提高,越来越多的家庭至少拥有一辆私家车,这也使得城市的道路变得越来越拥挤,尤其是上下班高峰经常面临堵车的问题,如何调度信号灯合理分配道路流量以缓解交通压力也日益成为研究的热点。
2、近年来,大数据、物联网、人工智能技术的成熟和发展,为智慧交通的发展增添新动力。常用的信号灯控制方法分为以下三种:感应控制、定时控制和自适应控制。
3、所谓感应控制,就是通过传感器来获取道路的车流量的信息来控制信号灯。这种控制方法只用于单道路口的信号灯控制,当发生道路拥堵或者其他特殊情况时无法与其他路口的信号灯进行联动来合理分配道路流量。
4、定时控制是一种更为简单的控制策略,这种控制方式是通过预先设定的时间段设定不同的信号灯控制时长而实现的控制方法。这种控制方法比较适合流量少且相对固定的道路,因此局限性比较大。
5、最后一种自适应控制方法相对于前面两种控制方法更为智能,会综合考虑车流量、排队长度、延误时间等更多的因素进行决策。尽管该控制方式通过更多的变量来控制信号灯,但是这种控制方式在交通流量大,路口多且复杂的环境下,仍然无法很好的解决交通拥堵的问题。
6、因此,本专利提出一种基于信息融合和强化学习的智能信号灯控制装置。
技术实现思路
1、针对现有技术上存在的不足,本专利技术目的是在于提
2、为了实现上述目的,本专利技术是通过如下的技术方案来实现:一种基于信息融合和强化学习的智能信号灯控制装置,将图片信息、传感器信息进行融合,通过强化学习的方式学习控制信号灯的策略,以最优化路口的车流量通行速度。
3、一种基于信息融合和强化学习的智能信号灯控制方法,包括以下步骤:
4、1、初始化信号灯状态和车流参数和车辆参数。
5、2、根据区域范围内车辆位置和信息转换成二值图。
6、3、使用神经网络获取图像特征并且与传感器信息融合
7、4、训练强化学习网络以最大化通行状态值。
8、一种基于信息融合和强化学习的智能信号灯控制方法,具体包括:
9、1、对于每一个路口,有电子图像i和传感器数据s。
10、2.对于电子图像i,使用目标检测网络获取其图像特征并检测图片中的汽车,该图像特征用于表征路口每个车道的车流情况,与传感器数据s的数据进行融合。
11、f=concat(detect(i),s,mlp(detect(i),s))
12、那么当前的状态status可以表示为t+f,对当前的状态的通行状况进行评估:
13、h=α/l+l*v-w。
14、其中l=sum(detect(i)),即图像中检测到的车辆的总数。v=avg(v),即图中所有车的均速,w=sum(static),即图中处于静止状态下的车的数量。
15、3.由于在强化训练中,汽车的位置和运动都通过参数进行设置和仿真,与真实环境中获得的图像存在很大差距,因此通过规定区域内汽车的位置和坐标生成一张只包含背景和汽车的二值化图片b。
16、b≈binary(detect(i))
17、4.对于动作action=t’,reward=h–h0,即当通行状况优于上一状态的通行状况时,奖励为正,且通行状况越好奖励越大,否则为负数。
18、本专利技术的有益效果:本专利技术使用基于信息融合和强化学习的信号控制框架实现路口的信号灯控制,使用本专利的路口图像二值化方法解决仿真数据无法直接应用于实际场景的问题。
本文档来自技高网...【技术保护点】
1.一种基于信息融合和强化学习的智能信号灯控制装置,其特征在于,将图片信息、传感器信息进行融合,通过强化学习的方式学习控制信号灯的策略,以最优化路口的车流量通行速度。
2.一种基于信息融合和强化学习的智能信号灯控制方法,其特征在于,包括以下步骤:
3.根据权利要求2所述的一种基于信息融合和强化学习的智能信号灯控制方法,其特征在于,具体包括:
【技术特征摘要】
1.一种基于信息融合和强化学习的智能信号灯控制装置,其特征在于,将图片信息、传感器信息进行融合,通过强化学习的方式学习控制信号灯的策略,以最优化路口的车流量通行速度。
2....
【专利技术属性】
技术研发人员:章建森,傅剑文,陈心童,韩弘炀,周文彬,
申请(专利权)人:天翼电子商务有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。