全域AI感知技术在信号优化中的应用

首先是信号优化的流程。信号优化的基础是数据，也就是感知，基于数据，再生成方案，再下发给信号机，由信号灯、LED屏等来执行。

交通感知是基础，优化方案是核心，所以今天分享的主要内容是检测数据。

交通流数据的采集有几个发展阶段。最初是人去路口一台车一台车的数，费时费力还有误差。二是有了CCTV视频监控后，在指挥中心数，也是人工，但不用去现场了，同样也有误差。尤其是有时候，会有视频覆盖不全的情况，想要的数据没法获知。与此同时，随着视频的覆盖范围扩大，视频设备增多，有大量的视频接入后，人力即便在指挥中心也难数清楚。于是，就有了视频图像分析检测，省时省力，但仍有一些欠缺，也就是数据的实时性不够，不能实时用于感应或者自适应控制。

数据传感器的发展里程。

最早是接触式，点检测，主要有线圈和地磁，其由优势是检测数据较为准确，但缺陷也很明显，施工或者维护比较困难，现在使用越来越少了。后来有了非接触式、面检测设备，包括视频、雷达，同样也是各有优缺点，视频在光照条件较差或者恶劣天气时，检测结果就很不准确，雷达在检测镜子的车辆以及横向行走的行人，都很难检测到，此外，雷达还容易受到路面设施的影响，比如标志标牌的遮挡。

因为各有优劣，所以就有了组合式的检测技术，相互弥补，使得检测的数据更丰富、更精准。现在比较常见的，就是雷视融合。

全域AI感知，检测范围覆盖了整个路口。

如图，我们的双目雷视一体机就安装在路口红绿灯杆上，双目相机，一个是近景相机，覆盖路口中间位置；一个是远景相机，覆盖停止线后面100米的位置；雷达检测器，基本覆盖停止线后面200米的距离。

近景相机主要检测路口中间区域，一是实时检测车辆轨迹，左直右分向的车流，统计左转、直行、右转的流量。二是路口满溢，如果检测到路口清空区域产生拥堵、滞留，再放行其他方向，也很难通过，这时候就可以预警，再尝试让信号机延迟，以便清空路口，用以预警。

远景相机主要检测对向斑马线上行人，统计行人流量以及上行、下行方向人数；停止线后大概100米的距离范围内的车型、车牌、车辆占有率、排队长度、区间车辆数目等，还可进行区间车辆数检测，包括车头时距、车头间距。

雷达检测停止线后200米的范围，检测车速、排队长度以及车尾排队队尾的位置信息等。排队长度、车辆占有数量等数据可用于可变车道的动态调整，左边第二或第三条车道可用于可变车道，或者设置为直行+左转并行的车道。

此外，方案支持在红绿灯杆上，多安装一套双目雷视一体机，这一套可反向观察、监测通过路口进入下游的车辆，实时检测下游车辆的车流量、排队长度、车速、反溢控制等。

总结起来说，1套双目雷视一体机可以监测10米到200米距离，一个路口1根红绿灯杆上，正反方向安装两个双目雷视一体机，可以实现近400米的检测距离。

除此之外，每个路口配备一个边缘检测盒子，用于数据处理，包括接入原有电警、卡口数据进行识别分析，可用来检测红绿灯故障，也可用来做特殊车辆检测，如救护车、消防车等。

双目雷视一体机正向安装。

可用于检测车道分向车流、路口的满溢控制、支持自动可变车道、斑马线双向人流量，以及停止线后的车辆占有、排队长度、类型、车速等。

如果所示，为检测效果图。

双目雷视一体机反向安装。

监拍车尾。覆盖范围也是10米到200米的范围，检测区间的车辆数、车辆速度、排队长度、车辆类型以及满溢。比如说下游路口车队排到了上游路口，系统将给出预警。

边缘计算检测器：

一是接入电警、视频，实现红绿灯故障检测，二是特种车辆检测及优先放行，三是实现行人过街自适应控制，替代过街行人按钮。

无人机路口实时检测。

利用无人机悬停，在路口识别检测，输出区域车辆数目、排队长度、分车道过车数量等。

无人机路口实时检测，可用于路口交通优化效果验证，通行效率到底了提高了多少，用无人机+双目雷视一体机的视频跟数据作为支撑，真正的上帝视角，一个方向有多少车在排队，每个放行周期可以通过多少车辆，红灯时，最大排队长度有多远，有多少车在排队等。

今天的分享就到这里，感谢关注。