В этой статье мы рассмотрим, как современная модель обнаружения светофорных объектов, основанная на искусственном интеллекте, может создавать адаптивные системы светофоров, которые реагируют на дорожные условия в реальном времени, оптимизируя транспортный поток и уменьшая заторы с помощью YOLOv5. Пешеходные светофоры играют ключевую роль в обеспечении безопасности дорожного движения за счет управления автомобильными и пешеходными потоками. Они служат визуальным сигналом для пешеходов о том, что они должны перейти дорогу или подождать, пока она станет безопасной. Разделяя движение пешеходов и транспортных средств, эти светофоры снижают риск несчастных случаев и дают пешеходам чувство безопасности.
Ключевые слова: искусственный интеллект, компьютерное зрение, адаптивный пешеходный светофор, YOLOv5, IoT.
Введение
Перегрузка городского трафика становится все более серьезной проблемой, вызывая задержки, разочарования и неэффективность в городах по всему миру. Традиционные системы светофоров, которые часто работают с регулярными циклами, не реагируют на дорожные условия в режиме реального времени, что приводит к ненужным ожиданиям и часто проблемам. Эффективность пешеходных светофоров заключается в их способности распределять интервалы, отведенные для пешеходного перехода, уменьшая конфликты, связанные с движением транспорта [1]. Это гарантирует, что у пешеходов будет достаточно времени, чтобы пересечь перекресток, не чувствуя спешки или опасности. Светофоры также облегчают синхронизацию движения на оживленных перекрестках, улучшают общий транспортный поток и уменьшают заторы.
Обнаружение пешеходов остается важной задачей в теоретических исследованиях и практическом применении идентификации объектов. Традиционные алгоритмы обнаружения пешеходов требуют от экспертов конструктивных особенностей для описания характеристик пешеходов и их интеграции с классификаторами. В последние годы глубокое обучение и особенно сверточные нейронные сети (CNN) добились больших успехов в работе с изображениями и звуком, которые являются важным компонентом глубокого обучения. Методы выделения искусственно созданных знаков имеют несовершенную характеристику пешехода на сложном фоне [2].
В настоящее время изучаются различные датчики и методы обнаружения пешеходов среди участников дорожного движения. Обнаружение пешеходов с помощью технологии компьютерного зрения остается активной областью исследований и в последние годы значительно улучшилось. Автоматизированное обнаружение пешеходов в дорожном движении в основном основано на методах глубокого обучения, демонстрирующих стабильную надежную работу [3].
В работе Чекалина Е. Н. проанализированы задержки транспортных средств на нерегулируемых пешеходных переходах [4]. Результаты исследования доказывают, что время пробок, вызванных нарушениями пешеходов и искусственных дорог, на нерегулируемых участках дорог значительно больше.
Штатные и нештатные режимы работы светофора
В штатном режиме работы светофор работает в заранее запрограммированный установленный промежуток времени. Светофор переключает фазы (красный, зеленый) на основе заранее определенного статического цикла в зависимости от времени суток, трафика и других факторов.
– Пешеходный режим: светофор работает на фиксированных интервалах, которые не меняются в зависимости от плотности пешеходного потока. Например, на каждом переходе дороги выделяется стандартный 30-секундный интервал для перехода пешеходов.
– Автомобильный режим: несмотря на наличие автомобилей на светофоре, для транспортных средств также установлены установленные интервалы. Это может привести к неэффективному использованию времени, если, например, на одной из полос нет движения.
Основным недостатком штатного режима является его неэффективность, так как он не реагирует в режиме реального времени на изменение обстановки на дороге и пешеходных переходах. Это приводит к чрезмерным задержкам и увеличению времени ожидания для пешеходов и водителей.
Схематическое релейное решение сопряжения пешеходного светофора с микроконтроллером показано на рисунке 1.
Рис. 1. Электрическая схема релейного соединения пешеходного светофора с дорожным светофором
Особенность релейного переходного соединения заключается в том, что при включении красного света для пешеходов дорожный светофор подключается к зеленому, для желтого света светофора для преодоления сложности схематического решения рекомендуется закрепить его на клемме красного света пешеходного светофора [6]. Зеленый свет пешеходного светофора включается только в«чистый " красный свет дорожного светофора. Такой подход исключает спорные ситуации при ДТП, когда водители жалуются на тезис «об освобождении пешеходной разметки».
Адаптивный светофор с компьютерным зрением работает в двух режимах. Первый режим включает принудительное включение зеленого света пешеходного светофора от 2 минут до 15 секунд. В случае обнаружения компьютерным зрением пешехода, ожидающего более 3-х людей, программа видеоанализа через 1 минуту изменяет рабочую циклограмму на режим включения зеленого света пешеходного светофора продолжительностью 15 секунд [7].
Нештатный режим работы светофора позволяет автоматически регулировать продолжительность световой фазы в зависимости от текущей ситуации, определяемой машинным зрением. В этом режиме видеокамера анализирует поток пешеходов и автомобилей, предоставляя информацию о конкретной ситуации на перекрестке.
- Анализ пешеходного потока: если камера обнаруживает пешеходов, ожидающих перехода, система включает зеленый свет для пешеходов. Важно отметить, что свет может включаться в зависимости от того, сколько людей находится в переходном периоде, а не в течение определенного периода времени. Например, если пешеходов много, а пешеходов нет, фазу зеленого света можно увеличить — сигнал светофора останется красным, что сэкономит транспорту время.
- Анализ транспортного потока: машинное зрение также может анализировать плотность движения автомобилей. Если на перекрестке нет Автомобилей или в зоне пешеходного перехода, система сокращает время красного света для пешеходов, заменяя его зеленым для транспортных средств и ускоряя движение.
- Преимущества адаптивного режима:
– Сокращение времени ожидания: пешеходам не придется долго ждать, если нет переходных людей, а водители без необходимости стоят на красном свете.
– Эффективность в часы пик: в часы пик система может увеличить продолжительность зеленого света для пешеходов, если поток автомобилей высокий, и наоборот — уменьшить время красного света для автомобилей, когда поток пешеходов низкий.
– Уменьшение заторов: адаптивная регулировка светофора помогает уменьшить заторы на дорогах, повышая общую эффективность использования дорожной сети.
Проблема
Традиционные методы управления светофорами в людных местах, таких как пешеходные переходы или станции метро, не всегда эффективно учитывают количество пешеходов [5]. Обычные системы светофоров полагаются на заранее определенные циклы, основанные на таймере, которые остаются статичными независимо от интенсивности движения на перекрестках. Эти системы не могут динамически адаптироваться к изменяющимся условиям дорожного движения, что приводит к неэффективности, такой как длительное время ожидания или недостаточное время зеленого света с высокой плотностью движения, когда на красном свете мало или совсем нет транспортных средств [5].
Проблема со статическими системами светофора:
– При отсутствии транспортных средств светофор может стать красным.
– Зеленый свет может не гореть достаточно долго, чтобы освободить движение в час пик.
– Отсутствие адаптации в реальном времени приводит к пробкам на дорогах и увеличению расхода топлива.
Чтобы решить эти проблемы, мы предлагаем возможности обнаружения пешеходов в реальном времени YOLOv5 и подход, основанный на искусственном интеллекте, для настройки светофоров в зависимости от конкретных условий движения.
Решения
Чтобы решить эту проблему, мы разработали систему, основанную на искусственном интеллекте, которая вычисляет количество людей с помощью модели компьютерного зрения YOLOv5 и работает по переменным параметрам.
Рассмотрим этапы решения задач распознавания образов в программной среде Raspberry Pi OS. Обнаружение состояния светофора (света) и изображения пешеходного перехода в сверточных нейронных сетях(CNN) имеет решающее значение для специализированных камер в «Умном городе», управлении дорожным движением и других областях. Поэтому изучение особенностей применения в усовершенствованной практике CNN YOLOv5 является актуальной, сложной и классической задачей интернета вещей.
Система начинается с захвата видео с дорожных камер, управляющих перекрестками. Эти видеопотоки обрабатываются YOLOv5 для обнаружения пешеходов в режиме реального времени. Каждый кадр анализируется и подсчитывается количество людей на обочине дороги. На рисунке 2 показан прототип микроконтроллерной системы распознавания образов человека. Рассматриваемое встроенное устройство просмотра видео может быть установлено на светофоре.
Рис. 2. Аппаратные системы IoT с видеокамерой
Опишем порядок выполнения пусконаладочных работ аппаратным средством с видеозаписью. Во-первых, после подключения устройства Raspberry Pi 4 и веб-камеры система переходит в режим ожидания. Затем устройство начнет запись видео с веб-камеры в реальном времени и синхронно отправит его на Raspberry. Видео разбито на кадры, и YOLOv5 обрабатывает каждое видео и определяет человеческое изображение. Количество людей передается на Raspberry, которая определяет оптимальное поведение (оставляя свет зеленым, переходя в красное положение).
Рис. 3. Фазы светофора
Как только изображение человека будет найдено, как мы видим на рисунке 3, программа изменит сигнал управления светофором. В случае превышения численности населения по циклу программы 3 положение светофора переходит в зеленое. Таким образом, предварительно подготовленная система с помощью YOLOv5 выполняет работу по распознаванию и подсчету количества людей. На рисунке 4 показан код запуска программного обеспечения yolov5 для распознавания типа объекта распознавания.
Рис. 4. Код распознавания объектов с помощью YOLOv5
Результаты и обсуждение
Изучены основные динамические параметры пешеходного движения на регулируемом перекрестке в режиме реального времени. Получены зависимости и закономерности влияния пешеходного движения на пропускную способность транспортного потока. Для настройки алгоритмов работы адаптивных светофорных объектов рекомендуется использовать обработку больших данных из видеопотока в режиме реального времени. Системы управления дорожным движением Yolov5 предлагают мощное решение для динамической регулировки светофоров, уменьшения заторов и повышения эффективности городского транспорта. При решении задач на контролируемых перекрестках улиц города изменение режимов работы светофоров соседних улиц может показать хорошие результаты.
Концепция стимулирования может быть успешно реализована в процессе разработки умных городов, которые эффективны в использовании данных, и стимулирования разработки интеллектуальных приложений. В этом смысле недостаточно иметь механизмы обработки данных и разработки решений-это должны быть платформы, позволяющие эффективно, быстро и безопасно создавать системы. Наличие платформ с открытым исходным кодом, датчиков, способных обеспечить безопасную и бесперебойную передачу данных, а также спрос на решения для каждой из вертикалей были определены многими умными городами. Предлагаемая удобная платформа использует искусственный интеллект для управления данными, поступающими из архитектур IoT.
Заключение
Проект умных пешеходных светофоров, в котором используются Raspberry Pi и модель yolov5 для распознавания людей, подчеркивает важность внедрения современных технологий для улучшения городской инфраструктуры. Благодаря интеграции компьютерного зрения и искусственного интеллекта система может динамически регулировать положение светофора в зависимости от пешеходного потока, что повышает безопасность на дорогах и оптимизирует управление трафиком.
Одним из главных преимуществ такой системы является ее адаптивность: светофор реагирует на фактическое количество людей в переходный период, что сокращает время ожидания и повышает эффективность движения. Умные светофоры могут значительно повысить безопасность пешеходов, особенно в районах с высоким трафиком, и способствовать более плавному движению. Кроме того, аналогичные технологии могут быть расширены и использованы для создания сложных систем управления дорожным движением, таких как интеграция с беспилотными автомобилями или мониторинг плотности движения. Однако внедрение таких решений требует учета вопросов безопасности данных и соблюдения этических правил.
В целом, умный светофор-это шаг к созданию умных городов, где технологии работают над повышением безопасности и качества жизни жителей.
Литература:
- Tanweer, Alam Data Privacy and Security in Autonomous Connected Vehicles in Smart City Environment / Alam Tanweer. — Текст: непосредственный // MDPI. — 2024. — №. — С. 2.
- Ahmad, E. A. Object and Pedestrian Detection on Road in Foggy Weather Conditions by Hyperparameterized YOLOv8 Model / E. A. Ahmad, M. M. Agostino, P. F. Maria. — Текст: непосредственный // MDPI. — 2024. — №. — С. 15.
- Pedestrian Traffic Light Control with Crosswalk FMCW Radar and Group Tracking Algorithm / Nimac Peter, Krpič Andrej, Batagelj Boštjan, Gams Andrej. — Текст: непосредственный // MDPI. — 2022. — №. — С. 4.
- Чекалин, Е. Н. Анализ задержек транспортных средств на нерегулируемых пешеходных переходах / Е. Н. Чекалин. — Текст: непосредственный // Вестник ИрГТУ. — 2012. — № 9. — С. 168–174.
- Iliani, S. A. Pedestrians’ Crossing Dilemma during the First Seconds of the Red-Light Phase / S. A. Iliani, Basbas Socrates, Nikiforiadis Andreas. — Текст: непосредственный // MDPI. — 2021. — №. — С. 6–7.
- Как подключить реле к Ардуино // https://soltau.ru/index. php/arduino/item/493-kak-podklyuchit-rele-k-arduino. 14.02.2020.
- Жамангарин Д. С. Сарекенова А. С. Тажкуран А. Е., Ашикпаева С. И. Влияние таймеров обратного отсчета сигналов дорожного движения на пешеходные переходы на сигнальном перекрестке // Символ науки. — 2019. — № 11. — С. 11–17.
