Documente Academic
Documente Profesional
Documente Cultură
prezentat
alturat:
Al patrulea raport PIN Road Safety Target in Sight: Making up for lost time
Consiliul European de Siguran Rutier ETSC, iunie 2010; PIN Indexul performanei din domeniul
siguranei rutiere
3
http://www.alcolockgb.com/
113
119
121
90
90
90
motociclete
113
119
121
motorete
40
40
40
4.298.161
4.846.773
5.084.531
58.852
67.869
71.409
de acces - n condiiile n care mai mult de 60% din reea traverseaz localiti, procentul
fiind n cretere prin extinderea continu a intravilanului i a dezvoltrii localitilor de-a
lungul drumurilor naionale i europene.Aceste probleme cresc extrem de mult riscul de
accident pe reeaua existent de drumuri, indicatorul de risc fiind, la nivelul anului 2013, de
41 de persoane decedate la miliard vehicul x kilometru (kilometri parcuri).
Suprafa Populaie Densitate
(mii km2) (milioane) (loc/km2)
ROMNIA
2013
238, 39
22,2
93/km
Circulaie
Vehicule
Persoane
circulaie
Parc n Lungime
reea
(milioane
per 100
Persoane
Persoane
(Mii)
(km)
vehicule x km)
locuitori
2010/2013
milion
miliard km
5,352
81.693
67.869
21.78
3063
139.22
41
Mediul rural
51% (4.476)
49% (4.319)
viteza
23,52% (1.016)
traversare neregulamentara pietoni 14,68% (634)
(747)
viteza
conducere imprudenta
12,69% (568)
9,66% (417)
abateri biciclisti
5,75% (284)
conducere imprudenta
4,71% (211)
(242)
http://www.politiaromana.ro/Prevenire/studii.htm
condiiilor
rutiere
aducnd
informaii
detaliate
despre
incidente,
congestionarea traficului n ntreaga zon metropolitan, sau a zonelor care ar putea afecta
cltoria. Sistemul este bazat pe o combinaie de senzori i camere video pentru a
5
http://www.motorauthority.com/blog/1023468_audi-starts-trial-of-fuel-savingtravolution-traffic-system, 2009.
http://www.sunatraffic.com.au/index.html, 2009.
http://www.sunatraffic.com.au/index.html, 2010.
A. Hegyi, D. Girimonte, R. Babuska, and B. De Schutter, A comparison of filter configurations for freeway
traffic state estimation, n Proceedings of the 2006 IEEE Intelligent Transportation Systems Conference (ITSC
2006), Toronto, Canada, pp. 1029 1034, September 2006.
sunt reprezentate de ctre buclele magnetice, detectoarele laser i camerele video. Un detector
bazat pe o bucl magnetic este reprezentat de o srm ngropat n suprafaa drumului i
alimentat cu un curent continuu. n cazul n care un vehicul trece pe deasupra acesteia induce o
cretere de curent prin bucl. Aceste schimbri de intensitate pot fi msurate i luate n
considerare n vederea obinerii de informaii despre densitatea fluxului de trafic.
Detectoarele laser, nu necesit instalare n asfalt, i, prin urmare, ele pot nlocui cu
succes detectoarele bazate pe bucle magnetice i, de asemenea, clasicele dispozitive de
supraveghere video, mai ales n timpul nopii sau n zonele cu un nivel sczut de
vizibilitate. Convenionalele dispozitive de supraveghere video necesit o bun vizibilitate. n
condiii de cea deas, zpad, ploaie sau de particule de fum sau praf n aer, i n momentele
de iluminare natural sczut, aceste metode pot fi inadecvate. Totui, tocmai n aceste
condiii de vizibilitate sczut exist o nevoie mai mare de ncredere n monitorizarea
traficului. n aceste condiii, cel mai probabil candidat l reprezint detectorul radar bazat pe
infrarou i care prezint numeroase avantaje mai ales n condiii de ntuneric i de cea.
Cu toate acestea, dispozitivele mai sus menionate nu intr n categoria de aparat cu un cost
redus. Din categoria dispozitivelor care nu sunt amplasate n infrastructura rutier avem de-a
face cu cele montate pe vehicule de supraveghere. Aceste sisteme implic vehicule sond
echipate cu dispozitive de urmrire, cum ar fi transponderele, care s permit vehiculelor
care le urmeaz s fie urmrite de ctre facilitile unui computer central. Din cauza
diferiilor factori cum ar fi costul, mediu, infrastructura de proiectare i de amplasament,
dispozitivele de supraveghere transmit n regulat date care sunt nsoite de zgomote i care
pot fi, de asemenea, corupte sau nesigure.
1..3.
suport n efectuarea uneia sau mai multor manevre aferente aciunii de a conduce un
vehicul. Asistena n conducere trebuie s fie efectuat de ctre sisteme robuste, deoarece
acestea sunt ncorporate i utilizate n maini care sunt conduse pe drumurile publice. Prin
design, drumurile au un contrast ridicat, previzibil n schem i sunt guvernate de reguli
simple. De asemenea, sistemele de asisten n conducere trebuie s fie acionabile i
operabile n toate condiiile rutiere. Aceste sub-sisteme suport pot fi adaptate pentru a
Herrn Julien H. Simon, "Learning to drive with Advanced Driver Assistance Systems. Empirical studies of an
online tutor and a personalised warning display on the effects of learnability and the acquisition of skill",
Dissertation paper, Technischen Universitt Chemnitz, 2005.
Deflt University of Technology, Overtaking Assistant Could Help Prevent Many Traffic-related
ScienceDaily,
11
http://www.sciencedaily.com/releases/2008/02/080226092749.htm, February 2008.
Deaths.
CAPITOLUL II
DISPOZITIVE DE ASISTEN N CONDUCEREA TRAFICULUI
21 Modelarea i simularea traficului
Teoriile legate de modelarea fluxului traficului ncearc s descrie ntr-un mod
precis, bazat pe descrieri matematice interaciunile ntre vehicule, oferi i infrastructur.
Infrastructura const n sistemul de drumuri i toate elementele sale operaionale, inclusiv
dispozitivele de control, indicatoare i marcaje. Aceste teorii sunt un element indispensabil al
tuturor modelelor de trafic i instrumentelor de analiz care sunt utilizate la proiectarea i
exploatarea strzilor i autostrzilor, ct i la comportamentul n diverse situaii a
participanilor la trafic.
Studiu tiinific al fluxului de trafic i are nceputurile sale n anii 1930, pornind de la
aplicarea teoriei probabilitilor n descrierea traficului rutier i, cu studii de pionierat
efectuate de Bruce D. Greenshields la Yale, studii pe diverse modele privind volumul de
vehicule, viteza i investigarea performanei de trafic la intersecii. Dup al doilea rzboi
mondial, a avut loc o cretere a utilizrii de automobile i o extindere a sistemului de
autostrzi, lucru ce nu a fost de asemenea reflectat printr-o cretere a studiului
caracteristicilor de trafic, precum i de o dezvoltare a teoriilor asupra fluxului de trafic.
Modelarea comportamentului oferilor reprezint o activitate complex i intens
cercetat n ultima perioad. Conducerea vehiculelor implic activiti cognitive pentru
numeroase sub-sarcini, cum ar fi: a schimbarea benzii, adaptarea vitezei la condiiile de pe
drumuri ct i la reglementrile juridice, evitarea obstacolelor, alegerea corect a traseului i
aa mai departe. Pentru acestea numeroase metode au fost dezvoltate de-a lungul anilor 12. Cele
mai explorate metode sunt arhitecturile cognitive13, i interfeele cu sistemele de asisten n
conducere, cum ar fi adaptive speed cruise control
14
observaiile empirice despre diferite scenarii din activitatea de conducere auto sunt, de
asemenea, amestecate cu cercetarea tiinific. La nivel microscopic,
observaiile empirice despre diferite scenarii din activitatea de conducere auto sunt, de
asemenea, amestecate cu cercetarea tiinific. La nivel microscopic,
12
U. Kiencke and L. Nielsen, Automotive control systems for engine, driveline and vehicle, Springer, Berlin,
2000.
13
D.D. Salvucci, E.R. Boer and A. Liu, Toward an integrated model of driver behavior n a cognitive
architecture, Transportation Research Record 1779, 2001
14
John Jairo, Martinez, C. Canudas-de-Wit, A safe longitudinal control for adaptive cruise control and stop-andgo scenarios, IEEE Transactions on Control systems Technology, vol. 15, pp. 246-258, March 2007.
15
n diverse condiii.
Modelele Markov Ascunse16, sunt o posibil abordare n acest domeniu sunt prezentate
n . E modelat intenia oferului de a schimba benzile i cea de depire cu ajutorul
instrumentelor Markov. De asemenea, ei au dovedit c aceast abordare ar putea duce la unele
mbuntiri n domeniul modelrii comportamentului oferilor.
Unele modele de comportament tipic pentru conductorii auto pot fi uor de
reprodus, cu ajutorul sistemelor de asisten n conducere. Prin utilizarea acestor
dispozitive, cum ar fi dispozitivul de control adaptabil al vitezei de croazier 17 , este garantat
o adaptare a vitezei vehiculului la mediul de trafic. n cazul folosirii acestui dispozitiv, cu
ajutorul sistemului radar ataat n partea din fa a vehiculului este detectat dac un vehicul
mai lent se afl n micare n fa. n cazul n care un vehicul mai lent n micare este detectat
n fa, sistemul va ncetini vehiculul i va pstra o distan de siguran, ntre vehicul i
vehicul dinainte. n cazul n care sistemul detecteaz faptul c vehiculul respectiv nu mai este
n calea vehiculului, sistemul va accelera vehicul pentru a seta din nou viteza de croazier.
Aceast operaiune permite vehiculului s ncetineasc i s accelereze n mod autonom n
trafic fr nici o intervenie din partea conductorului auto.
Metoda prin care viteza vehiculului este controlat este prin intermediul controlului
motorului, al pedalei de acceleraie i operarea limitat a frnei . Pe baza acestor ipoteze,
putem determina n sisteme dinamice complexe, cum ar fi micarea autoturismelor c
exist anumite aciuni elementare efectuate de aceste obiecte i care pot fi exprimate
printr-o schimbare local a parametrilor, msurat ntr-o perioad nregistrabil. Acestea
sunt n mod normal percepute ca o schimbare foarte mic, dar semnificativ a unor valori
primite de la senzori, cum ar fi poziia, distana sau viteza .
Sarcina cea mai frecvent n procesul de conducere poate fi asociat cu meninerea unei
viteze aproximativ constante a vehiculului. Acest lucru este n mod normal asociat cu benzi de
circulaie libere i, uneori, cu un dispozitiv de croazier de control. O limit a vitezei este
impus i meninerea ei, de asemenea n timpul procesului de conducere. Scenariul sufer
modificri, n cazul urmririi unui vehicul. n scopul de a menine o distan de proximitate
15
K. I. Ahmed, Modeling drivers' acceleration and lane changing behavior, Ph.D.Thesis, Department of Civil
and Environmental Engineering, Massachusetts Institute of Technology, Cambridge, 1999.
.
16
N. Kuge, T. Yamamura, O. Shimoyama and A. Liu, A driver behavior recognition method based on a driver
model framework, SAE Technical Paper Series No. 200001034, 2000.
17
Audi AG,
Adaptive
Cruise Control,
http://www.audi.com/
audi/com/en2/tools/glossary/operation_comfort/adaptive_cruise_control.html, 2007.
sigur ntre vehicule, viteza trebuie s fie adaptat i, astfel, sczut. n cazul n care
conductorul auto decide s depeasc o main, o cretere de vitez va fi simit. n funcie
de mediul nconjurtor, dup o manevr de depire exist trei situaii posibile, continuarea
creterii vitezei pn la o valoare calibrat, frnare neted sau micare constant18.
Alte scenarii posibile sunt reprezentate de micri de genul pornire-oprire i
micarea oscilatorie. Cu toate acestea, aceste comportamente sunt influenate de gradul de
congestie al traficului rutier. ntr-o situaie de blocaj n trafic, rspunsul natural este
reprezentat de un scenariu pornire oprire, iar n unele segmente de drum, cu densiti
diferite un scenariu de micare oscilatorie este plauzibil. Alte scenarii posibile sunt
reprezentate de micri de genul pornire-oprire i micarea oscilatorie. Cu toate acestea, aceste
comportamente sunt influenate de gradul de congestie al traficului rutier. ntr-o situaie de
blocaj n trafic, rspunsul natural este reprezentat de un scenariu pornire oprire, iar n unele
segmente de drum, cu densiti diferite un scenariu de micare oscilatorie este plauzibil.
Traficul rutier aferent unui segment de drum reprezint un sistem complex, alctuit din
vehiculele participante. Pentru a nelege i analiza comportamentul conductorilor auto, i
pentru a realiza o predicie pe termen scurt a aciunilor acestora, o modelare i simulare a
sistemului este necesar. n funcie de numrul detaliilor prezente n aceste modele, acestea
pot fi mprite n urmtoarele nivele: macroscopice, mezoscopice i microscopice19 .
Un model de simulare al traficului reprezint schimbrile dinamice, n timp, ale
strilor traficului. Nivelul macroscopic de modelare a traficului poate fi asemnat cu apa care
traverseaz o conduct, n cadrul unui model mezoscopic sunt reprezentate vehiculele
individuale cu un comportament agregat, iar n cazul microscopic comportamentul i detaliile
individuale sunt punctele centrale ale modelului.
Nivelul macroscopic de modelare a traficului poate fi asemnat cu apa care traverseaz
o conduct, n cadrul unui model mezoscopic sunt reprezentate vehiculele individuale cu un
comportament agregat, iar n cazul microscopic comportamentul i detaliile individuale sunt
punctele centrale ale modelului.
O alt clasificare posibil a modelelor traficului este cea stocastic, determinist, i cea
orientat pe evenimente. Modelele stocastice surprind variaia n timpul de reacie, procesul
de a ajunge la destinaie, alegerea rutei. n urma fiecrei simulri rezultatele difer, datorit
18
prezenta ntr-o varietate de forme i versiuni. Una dintre cele mai fundamentale proprieti a
unui astfel de robot mobil este tipul de reea la care este calculat. Cel mai simplu tip de
reea este cel unidimensional, avnd la baz doar o linie. Variaiunile pot include: dou
dimensiuni, forme ptratice, triunghiulare, sau hexagonale ale reelelor. Cellular Automata pot
fi, de asemenea, construite pe reelele carteziene de numere, avnd dimensiuni arbitrare,
numerele ntregi fiind cea mai comun alegere.
Numrul de culori (sau stri distincte) k pe care un robot celular trebuie s i le
asume trebuiesc specificate. Acest numr este de obicei un numr ntreg, cu k = 2 (binar) fiind
cea mai simpl alegere. Pentru un fiier binar automat, culoare 0 este numit alb, iar
culoarea 1 este numit negru. Cu toate acestea, celulare automata avnd un continuu gama de
valori posibile pot fi, de asemenea luate n considerare. n plus fa de reeaua aferent
robotului mobil, culorile sale i regulile de deplasare, cartierul n care celulele se pot afecta
reciproc trebuie s se precizeze, de asemenea. Cea mai simpl soluie este cel mai apropiat
vecin, n care numai celulele nvecinate direct unei anumite celule pot fi afectate, la fiecare
pas de timp.
Caracteristicile principale ale unei simulri microscopice sunt reprezentate de
urmtoarele aspecte20:
cel al urmririi unui vehicul considerat ca fiind lider, reguli de schimbarea benzilor, i
inclusiv componente stocastice;
Bazan, J., Peters, JF, Skowron, "A Behavioral pattern identification through rough set modelling", In
Proceedings of RSFDGrC'2005, LNAI 3641, Springer , Heidelberg, pp. 688-697, 2005.
urmtoarele aspecte21:
Utilizeaz un nod simplificat, sub forma unui link, ca modalitate de reprezentare a reelei;
Ofer o descriere aproximativ a traiectoriei vehiculelor i a legturilor dintre ele sub forma unor
link-uri;
Modele de legtur dinamic, i care mpart un link n dou pri: partea de rulare, n
care vehiculele nu sunt nc ntrziate i aezate n coad n aval de nod, i partea de coad
efectiv, n care nodurile sunt modelate de ctre
destinaii.
2.14.3. Nivelul Macroscopic
Nivelul macroscopic de modelare prezint segmentul de trafic in discuie sub forma unui
sistem constituit din agregarea participanilor. Nivelul macroscopic de simulare a traficului
are la baz un model, care discut despre relaiile dintre principalii parametrii ai fluxului de
trafic: viteza, debitul i densitatea. Variabilele care reflect modelul macroscopic de trafic
pot fi calculate pentru fiecare locaie, n orice moment, n timp i pentru fiecare interval de
msurare. n practic, de cele mai multe ori se folosesc detectoare de trafic care msoar
debitul i viteza peste un anumit interval de timp. n cazul n care se dorete s se calculeze
viteza medie pentru un interval de timp, trebuiesc vitezele armonice individuale. Atunci cnd
intervale de timp depesc durata de cinci minute, anumite caracteristici dinamice sunt
pierdute.
n mod curent pentru determinarea unui model matematic la nivel macroscopic, se fac
analogii cu fenomene i legi fizice cunoscute att din teoria cinetic a gazelor ct i din dinamica
fluidelor, obinndu-se ecuaii difereniale care vor descrie relaiile din trafic22 . La nivel de
simulare i modelare macrscopic a traficului, modelul METANET 23 reprezint referina pentru
muli cercettori. El se bazeaz pe anumite similitudini cu legea cinetic a gazelor (are la baz
ecuaii care s coreleze densitatea traficului cu viteza de rulare).
Modelul macroscopic prezint un avantaj prin faptul c datele necesare pentru astfel
de modele cum ar fi densitatea de trafic i vitezele se afla la acelai nivel de agregare ca datele
21
25
R. Boel, M. Mihaylova, Modelling freeway networks by hybrid stochastic models, In Proceedings of the
IEEE Intelligent Vehicle Symposium, Parma, Italy, pp. 182-187, 2004.
26
G. M. Hoffmann, C. J. Tomlin , Decentralized information-seeking control for mobile sensor networks, The
43rd IEEE Conference on Decision and Control, December 2004.
27
R. Boel, M. Mihaylova, A particle filter for freeway traffic estimation, 43rd IEEE Conference on Decision
and Control, Atlantis, Paradise Island, Bahamas, 2004.
29
G. M. Hoffmann, C. J. Tomlin , Decentralized information-seeking control for mobile sensor networks, The
43rd IEEE Conference on Decision and Control, December 2004.
29
F. Gustafsson, F. Gunnarsson, N. Bergman, U. Forssell, J. Jansson, R. Karlsson, P.- J. Nordlund, Particle filters
for positioning, navigation and tracking, IEEE Transactions on Signal Processing, vol. 50, no. 2, February 2002.
navigaie inerial este folosit pentru a furniza msurtori despre un corp aflat n micare. O alt
problem este navigaia, n cazul n care, pe lng poziie de asemenea, viteza, altitudinea
i direcia, i acceleraia unghiular sunt incluse n problema supus filtrrii. Bergman prezint
modul de urmrirea a unei inte, n cazul n care poziia unui alt obiect este estimat pe
baza msurtorilor de unor poziii i stri relative30. Pentru un numr mic de observaii, n
problematica urmririi unei inte, o ameliorare a filtrului de particule a fost propus cu
ajutorul unui algoritm modificat LS-NIPS, (Local Sampling N-Interacting Particle System
N-IPS) 31. Aceasta se face cu ajutorul unui operator de cutare non-trivial local, cu rolul de a
mbunti predicia. La fiecare pas, previziunile au fost rafinate ntr-o procedur de cutare
local care utilizeaz cele mai recente date observate. Aceast soluie ar fi trebui s fie optim
n cazul n care se aplic un numr mic de particule.
O alt abordare, care are unele puncte comune cu algoritmul prezentat n aceast
lucrare este propus n32 . Aici, autorii folosit un filtru hibrid Monte Carlo pentru a analiza
cu ajutorul distribuiei posterioare o aplicaie pentru urmrirea unor persoane. Mai degrab
dect atribuirea unei ponderi fiecrei particule bazat pe funcia de asemnare de risc, fiecare
particul a produs un lan Markov de la proba posterioar, folosind estimri ale gradientului
de distribuie.
Filtrul Kalman Extins (EKF)33 este o alt metod comun n aplicaiile bazate pe urmrirea
video. Dezavantajele prezentate de aceast metod se refer la complexitatea algoritmului care
crete cu numrul de msurtori. De asemenea, ele sunt foarte sensibile la zgomotul
parametrilor considerai. Prin urmare, aceast metod ateapt o estimare rezonabil iniial a
variabilelor de stare. n contrast, filtrul cu particule poate porni de la o distribuie uniform, dar
au performan slab, cu privire la dimensionarea vectorului de stare. n cazul n care
condiiile iniiale de aplicare sunt specificate n mod corect printr-o distribuie anterioara,
se poate garanta o convergen rapid atunci cnd se utilizeaz o abordare bazat pe
particule de filtrare. O soluie hibrid a fost propus de Freitas
30
34
pentru a mbunti
F. Gustafsson, F. Gunnarsson, N. Bergman, U. Forssell, J. Jansson, R. Karlsson, P.- J. Nordlund, Particle filters
for positioning, navigation and tracking, IEEE Transactions on Signal Processing, vol. 50, no. 2, February 2002.
31
P. Torma, C. Szepesvari LP-N-IPS: An improvement of particle filters by means of a local search, The 5th
IFAC Symposium on Non-linear Control Systems, pp. 715 719, 2001.
32
K. Choo, D.J. Fleet, People tracking using hybrid Monte Carlo filtering, IEEE International Conference on
Computer Vision, Vancouver, pp. 321328, 2001.
33
A. Davison, Real-time simultaneous localization and mapping with a single
camera, the IEEE Int. Conference on Computer Vision, ICCV03, 2003.
34
J. F. G. de Freitas, Bayesian methods for neural networks, PhD. Thesis, Department of Engineering,
Cambridge
University,
http://www.cs.ubc.ca/
nando/publications.html, 1998.
36
[29] pentru a
mbunti convergena de filtrelor cu particule. Aceast abordare genereaz ntr-o prim faz
particule n mod identic ca i pentru cazul convenional. Apoi ncearc s se mute mai aproape
particule de valoarea anterioar printr-o distribuie generat de un pas EKF. Aceast
strategie a fost aplicat cu succes n antrenarea reelelor neuronale, dar dezavantajul este
c trebuie s respecte condiiile filtrului Kalman cu privire la distribuia zgomotului. ntr-un
algoritm propus recent o metoda de cutare bazat pe media Shift ntrun cadru de filtrare cu
particule i o int de reprezentare, care utilizeaz mai multe semisuprapuneri a histogramei
culorilor, a fost propus n37 [30].
O combinaie ntre filtrul Monte Carlo i lanurile Markov este prezentat n
literatur ca MCMC (Monte Carlo Markov Chain) 38 [31]. Iniial o prim stare
Xx0 esteo
este
E. Maggio, A. Cavallaro, Accurate appearance-based Bayesian tracking for maneuvering targets, Computer
Vision and Image Understanding, vol. 113, issue 4, pp 544-555, 2009.
36
J. F. G. de Freitas, Bayesian methods for neural networks, PhD. Thesis, Department of Engineering,
Cambridge University,
http://www.cs.ubc.ca/nando/publications.html, 1998.
37
E. Maggio, A. Cavallaro, Accurate appearance-based Bayesian tracking for maneuvering targets, Computer
Vision and Image Understanding, vol. 113, issue 4, pp 544-555, 2009.
38
C. P. Robert, G. Casella, Monte Carlo statistical methods, Springer Verlag, Berlin, 1999.
probabilitate, sau n care diferenele sunt mai evideniate. Aceasta metoda reprezint un algoritm
de puternic, avnd importan n prelevarea probelor, i cu beneficii n reducerea problemelor
asociate cu filtrele secveniale Monte Carlo. Pentru anumite modele, totui,metoda MCMC
poate s nu fie optim, deoarece un numr mare de iteraii ar fi necesare pentru a atinge
densitatea de distribuie dorit 39.
n cazul folosirii unor instrumente matematice de predicie i corecie muli
algoritmi sunt cei bazai pe structuri bayesine. Avantajul folosirii acestora este acela c se
bazeaz pe strile anterioare ale sistemului provenite din observaiile anterioare), iar etapa de
predicie este corectat de observaiile din pasul actual. Studiile din domeniu, au demonstrat
faptul c filtrele Kalman, nu sunt cele mai adecvate instrumente din domeniu deoarece ce nu se
preteaz dect unor modele cu distribuie liniar.
mbuntirea n acest sens este realizat de ctre filtrele cu particule, algoritmi
capabili de a rspunde n mod performant sistemelor cu aproape orice tip de distribuie. De
asemenea un alt punct forte al acestor algoritmi l reprezint faptul c pe lng capacitatea de
predicie pot s aib i o capacitate de corecie a observaiilor, observaii care de cele mai
multe ori pe lng informaiile utile conin i zgomote. n domeniul filtrelor cu particule
aplicate n gestionarea traficului rutier importante cercetri au fost efectuate de ctre Mila
Mihaylova (et all), n special n sensul mbuntirii filtrelor (Unscented filters, operaii cu
intervale), ncercri de implementare a filtrelor distribuite, pentru reducerea overheadului de
comunicatie (M. Coates), implementarea unor tool-uri probabilistice pentru managementul
traficului (e tema propus spre cercetare de ctre T. Singliar), a implementrii filtrelor cu
particule i a altor metode bayesiene capabile s opereze n timp real.
n tabelul numrul 41 sunt prezentate succint variaiunile filtrului cu particule
pornind de la survey-ul40 .Au fost amintii aici cei mai reprezentativi algoritmi derivai din
filtru de particule general. Muli din aceti algoritmi sufer la rndul lor mai multe variante.
Spre exemplu algoritmul SIR poate fi implementat sub mai multe forme, unul din artificii fiind
folosirea unei valori de prag pentru selecia particulelor. n urma acestei selecii, o posibilitate
ar fi varierea ponderilor cu o valoare stratificat, aflat n direct legtur cu valoarea de prag.
n anumite aplicaii n care un anumit tipar (tranziie de stri) se repeta, SIS poate
reprezenta soluia optim, datorit creterii importanei setului de particule asociat strii reale,
39
C. Andrieu, PM Djuric, and A. Doucet, Model selection by Markov chain Monte Carlo computations, Signal
Processing, pp. 1937, 2001.
40
[33] S. Arunlampalam, S. Maskell, N. Gordon, T. Clapp, A tutorial on Particle filters
for On-line Non-Linear/ Non-Gaussian Bayesian Tracking, IEEE Transactions on Signal Processing, 2002.
Denumire
Sequential
Descriere
Propagare i calcul
Comentarii
- problema major: fenomenul de
Importance
recursiv al ponderilor pe
Sampling (SIS)
msura ce observaiile
nesemnificativ
sunt primite
Eliminarea particulelor
care au pondere mic i
concentrarea asupra celor
Resample
care au ponderi mai mari,
Importance
n acest fel vor fi
Sampling (RIS)
preponderent folosite
particulele care vor avea
cele mai mari probabiliti.
Densitatea de importan
asemnare.
bazate pe calculul
posterior al acestei
valorii.
[34]
C. Kwok, D. Fox, M. Meila, Real-time Particle Filters, Proceedings of the IEEE, vol. 92, March 2004.
Denumire
Implementarea liniar
Descriere
Un singur nod care s preia informaia i s efectueze calculele.
Distribuite, cu nod central deNodul central are rol de a prelua si agrega datele, ct i de a
calcul
efectua calculele
Distribuite, fr nod centralLipsa unui nod central ncearc s reduc comunicaia excesiv
de calcul
Figura 10. Un aparat de nalt rezoluie ofer poziia real a vehiculului. Eroarea introdus
de ctre camera de supraveghere cu rat sczut de finite se reflect prin =abaterea de la
poziia real a vehiculelor.
Proiectarea unui filtru cu particule poate rezolva problema erorii introduse de ctre
camerele video. Soluia propus consider prelucrarea unor informaii ascunse cum ar fi
variaia acceleraiei, pentru a reflecta mai bine comportamentul oferului. Eficiena i
precizia unui filtru de particule depinde n principal pe doi factori-cheie. Acetia sunt numr
de particule utilizate pentru a estima partea posterioar de distribuie i funcia de rspndire
folosit pentru a re-aloca aceste particule pe tot parcursul tuturor iteraiilor.
Pentru o mai bun nelegere a algoritmului propus voi descrie succint cteva
consideraii teoretice. Un filtru cu particule este un instrument util pentru a efectua
estimri de stri dinamice prin deducie Bayesian. Acesta ofer o mare eficien i o
flexibilitate extrem n aproximarea oricrei funcionaliti non-liniare. Ideea cheie este de a
reprezenta partea posterioar de distribuie a strilor date o succesiune de msurtori de
la senzori i de a le re-aloca n mod constant sub form de noi informaii pentru a actualiza
estimarea strii sistemului.
Problema urmririi poate fi privit din perspectiva Bayesian ca o chestiune de estimare
a unui anumit grad de ncredere a unei stri xt a unui obiect la momentul t i la un anumit pas dat
o serie de observaii z1: t. Filtrarea recursiva Bayesian calculeaz o densitate posterioar
care poate fi scris folosind regulile Bayes ca:
(1)
n scopul de a construi un filtru de particule, se presupune c distribuia posterioar de la
pasul precedent de filtrare p(xt-1 | z1: t-1) este disponibil i se poate folosi pentru a construi prin
predicie o densitate apriori pornind de la pasul curent de filtrare.
Aceasta se face prin aplicarea unei presupuneri Markov 42 [32], densitii anterioare, care
devine densitate posterioar propagat de la pasul anterior, folosind un timp de tranziie
(model dinamic):
Aceast valoare a probabilitii este folosit n urmtorii pai pentru a face predicii. Algoritmul
general de filtru de particule trece prin urmtoarele etape:
[32] C. Andrieu, PM Djuric, and A. Doucet, Model selection by Markov chain Monte Carlo computations,
Signal Processing, pp. 1937, 2001.
relevante ale parametrilor sau posibilitatea schimbrii acestora n viitor. Aceast informaie
este, de obicei, reprezentat ca un set de date i trebuie s fie colectate pe termen lung ntro
activitate de observare a unui sistem complex dinamic.
Filtrul de particule reprezint un instrument puternic, bazat pe deducie Bayesian, care se
folosete de distribuia posterioar a strilor date ca secven de msurtori de la senzori i le
realoc n mod constant ca noi informaii primite n scopul de a actualiza dinamic estimarea
strii sistemului. n prelucrarea statistic a semnalului, entitile-cheie sunt reprezentate de
distribuia de probabilitate, care sunt cuprinse n distribuia posterioar a strii necunoscute, i
o medie posterioar.
Datorit interaciunii lor, particule sunt dependente din punct de vedere statistic. n
consecin, rezultatele de convergen clasice privind metodele de Monte Carlo, bazate pe
ipoteze independente i identic distribuite, nu sunt aplicabile. Avnd n vedere acest lucru, o
int pentru optimizarea aplicrii filtrului de particule este reprezentat de faptul c variaia
vectorului erorii totale a observaiilor este n concordan cu rezultatul i c varianei
estimatorului filtru de particule este independent de dimensiunea de stri43 . n cazul n care se
aplica metoda MCMC, ideea este de a folosi observaii i pentru a genera mostre din distribuia
posterior sau funcia probabilitatea de interese i a le folosi pentru a extrage informaii relevante,
deoarece toate informaiile cunoscute sunt pstrate de ctre densitile lor posteriore sau
funciile de asemnare. Astfel, eantioanele cu valori mai mari ale densiti posteriore pot fi
folosite pentru deducie i pentru calculele viitoare, deoarece acestea aproximeaz cel mai
bine situaia necunoscut.
Algoritmul propus este proiectat pentru a corecta erorile sistematice provenite de la
senzori video n aplicaii de urmrire a traficului. Spre deosebire de soluiile clasice, avem n
vedere unele informaii ascunse cum ar fi variaia acceleraiei, pentru a reflecta mai bine
comportamentul conductorului auto.
Modificri relevante din comportamentul oferului ntre dou intervale de timp luate n
considerare sunt considerate a fi tranziii n spaiul strilor. Am notat tranziia ntre o
scdere mai mare de vitez n intervalul considerat ca fiind starea - -, o ncetinire mai
mic a vehiculului este atribuit strii -, viteza aproximativ constant este asociat cu
0, o accelerare uoar prin + , i ultima, o cretere mare a vitezei este de reprezentat prin
++.
43
D. Crisan and A. Doucet, A survey of convergence results on particle filtering methods for practitioners, IEEE
Trans. SignalProcess , vol. 50, no. 3, pp. 736746, March 2002.
(4)
(53)
Valoarea aproximat a distribuiei anterioare este dat de formula (54)
(64)
Unde
Deflt University of Technology, Overtaking Assistant Could Help Prevent Many Traffic-related
Deaths.
ScienceDaily, www.sciencedaily.com/releases/2008/02/080226092749.htm, February 2008.
45
http://www.sciencedaily.com/releases/2008/02/080226092749.htm, February 2008.
46
M. Bolic, P. M. Djuric, and S. Hong, Resampling Algorithms for Particle Filters: A Computational Complexity
Perspective, EURASIP Journal of Applied Signal Processing,
pstrat primele dou etape, cele mai scumpe din punct de vedere computaional. Folosind un
lan Markov regulat, PDF va reflecta de observaiile, iar suma probabilitilor pe linie trebuie
s fie egal cu 1. De asemenea, am considerat c etapa de regenerare a particulelor, n
combinaie cu lanuri Markov, nu se va reflecta ntr-o reducere semnificativ a erorii.
n aceast abordare am pstrat primele dou etape, cele mai scumpe din punct de
vedere computaional. Folosind un lan Markov regulat, PDF va reflecta de observaiile, iar suma
probabilitilor pe linie trebuie s fie egal cu 1. De asemenea, am considerat c etapa de
regenerare a particulelor, n combinaie cu lanuri Markov, nu se va reflecta ntr-o reducere
semnificativ a erorii.
Crearea unui set iniial de particule cu valori aleatoare ale poziiilor n intervalul de +/-
Genereaz xi 0 ~ i; i = 1..N Fiecare etalon sin spaiul vectorilor este referit ca fiind o
particul;
Asigneaz fiecrei particule ponderi egale (1/N), wi = 1/N (distribuie uniform)
Paii de iteraie
Pentru fiecare component, executa:
Updateaz msurtorile provenite de la camera de supraveghere i,pe baza strii
anterioare a sistemului updatez si valorile din PDM.
Pastreaz propietile lanurilor Marvov regulate.
Calculeaz ponderile particulelor sub form de produs ntre valoarea anterioar i valoarea
asociat tranzitiei, citit din PDM.
Estimeaz positia reala a mainii ca medie ponderat a valorilor date de ctre particule.
Calculeaz eroarea filtrului.
42.2..41.
cunoscut faptul c, atunci cnd sunt puse n aplicare n mod eficient, filtrele de particule
presupun un cost de calcul proporional cu
numrul de particule47 ,48[38], [39], aadar, am luat n considerare acest aspect pentru a varia
numrul de particule, i pentru a vedea influena acestui factor n determinarea valorii erorii
absolut i relativ. n urma acestor experimente, am hotrt efectuarea celor mai multe
dintre experimente cu cinci sute de particule pentru a asigura un efort computaional rezonabil.
n urmtoarele figuri sunt prezentate valorilor experimentale pentru diverse tipare de
comportament al oferilor.
Figura 145. Variaia erorii n cazul unui tipar ce presupune o cretere a vitezei
47
S.K. Zhou, R. Chellappa, B. Moghaddam, Visual tracking and recognition using appearance-adaptive models
n particle filters, IEEE Transactions on Image Processing, Vol. 13, No. 11 , pp. 1491-1506, 2004..
48
P. Pan, D. Schonfeld, Dynamic Proposal Variance and Optimal Particle Allocation in Particle Filtering for
Video Tracking, IEEE Transactions on Circuits and Video Technology, Vol 18, No 9, pp. 1268-1279, September
2008.
FiF
igura g. 615 Variaia erorii n cazul unui tipar ce presupune o vitez constant
Figura 16. 6. Variaia erorii n cazul unui tipar ce presupune o scdere a vitezei
4.2.Concluzii
Soluia investigat se comport satisfctor, n cazul unui tipar cunoscut, datorit
proprietilor lanului Markov. n cazul n care condiiile iniiale pe care se abat de la
valoarea real, iar sistemul nu urmeaz un model bine cunoscut, probabilitatea particulelor de
a se apropie de starea adevrat poate fi foarte mic n stadii incipiente. Prin urmare, filtrul
poate converge lent, n acest caz. Cu toate acestea, este dovedit capacitatea metodei
MCMC pentru generarea probelor pornind de la aproape orice distribuie.
mmedian i detectarea unor situaii de trafic anormale, urmnd ca atunci cnd mainile
albastre din zonele cunoscute ptrund n mijloc modelul s fie corectat, n cazul n care este
nevoie. Modelul are o real justificare mai ales n cazul drumurilor naionale i europene (n
afara zonei urbane).
Un al doilea scenariu propus pentru investigare este descris n continuare. Sistemul ar
fi constituit majoritar din senzori mobili (pentru zona urban) i senzori fici n zonele foarte
aglomerate i la semafoare. Senzorii mobili de pe maini comunic ntre ei i pe fiecare
main se stabilete un model (incomplet) al traficului din acea zon i de la acel moment,
bazat att pe datele colectate de acea main, ct i din modelul parial primit de la maina din
vecintatea sa. Problema care se pune n acest caz este de a genera un model al unei zone
avnd la dispoziie modele pariale, sau chiar inexistente, n cazul n care o main se afl la
deprtare, iar zona este prea mare pentru comunicaia senzorilor. n acest caz se poate pune
problema reconstituirii modelului i de detecia unor situaii periculoase, sau de gestionarea
inteligent a semafoarelor n funcie de traficul pe o anumita band sau un anumit sens dintr-o
intersecie. Senzorii fici au rol de a genera modelul complet, i de a aciona n mod
corespunztor semafoarele.
O alt direcie de cercetare ar fi urmtoarea: urmrirea traficului la nivel
mezoscopic i macroscopic prin metode din mecanica i dinamica fluidelor, ct i prin
metode i legi asociate electromagnetismului. . Avantajul folosirii acestor legi fizice ar fi
urmtorul: prin determinarea densitii de trafic posibil/probabil pe un segment de drum, se
poate determina i un segment/ lrgime optim de band. Aplicaia posibil ar fi determinarea
i programarea unor benzi de trafic reversibile pe arterele de drum cu trafic concentrat ntr-un
anumit moment din zi.
Bazat pe aceste legi, i cu ajutorul metodelor de filtrate i predicie de tip Monte Carlo
(Particle Filter, MCMC) se poate estima traficul posibil pe o poriune de drum. Tot pe baza
acestor metode se poate analiza i ce se ntmpl i cum se poate fluidiza traficul n punctele de
jonciune (ex: sensuri giratorii i semafoare, dar mai ales la intrarea ntr-un sens giratoriu).Bazat
pe aceste legi, i cu ajutorul metodelor de filtrate i predicie de tip Monte Carlo (Particle Filter,
MCMC) se poate estima traficul posibil pe o poriune de drum. Avantajul folosirii acestor legi
fizice ar fi urmtorul: prin determinarea densitii de trafic posibil/probabil pe un segment
de drum, se poate determina i un segment/ lrgime optim de band. Aplicaia posibil ar fi
determinarea i programarea unor benzi de trafic reversibile pe arterele de drum cu trafic
6. Referine
A. Downs, "Why Traffic Congestion Is Here to Stay. . . and Will Get Worse",
ACCESS, nr. 25, pp. 19-25, 2004.
http://www.parliament.uk/commons/lib/research/rp98/rp98-016.pdf, 2009.
http://www.motorauthority.com/blog/1023468_audi-starts-trial-of-fuel-savingtravolutiontraffic-system, 2009.
http://www.sunatraffic.com.au/index.html, 2009.
A. Hegyi, D. Girimonte, R. Babuska, and B. De Schutter, A comparison of filter
configurations for freeway traffic state estimation, n Proceedings of the 2006 IEEE
Intelligent Transportation Systems Conference (ITSC 2006), Toronto, Canada, pp. 1029 1034,
September 2006.
Herrn Julien H. Simon, "Learning to drive with Advanced Driver Assistance Systems.
Empirical studies of an online tutor and a personalised warning display on the effects of
learnability and the acquisition of skill", Dissertation paper, Technischen Universitt
Chemnitz, 2005.
Tanga T.Q., Huangb H., Wongc S. and Xu X., A new overtaking model and
numerical tests, Statistical Mechanics and its Applications, Elsevier, vol. 376, pp. 649- 657,
March 2007.
Deflt University of Technology, Overtaking Assistant Could Help Prevent Many
Traffic-related Deaths.ScienceDaily,
http://
AG,
Adaptive
Cruise Control,
http://www.audi.com/
audi/com/en2/tools/glossary/operation_comfort/adaptive_cruise_control.html, 2007.
Shaout A. [11] Shaout A. And Jarrahz MA, "Cruise Control Technology Review", Journal
of Computers and Electrical Engineering, Elsevier, Vol. 23. No. 4, pp. 259-271, 1997.
Bazan, J., Peters, JF, Skowron, "A Behavioral pattern identification through rough set
modelling", In Proceedings of RSFDGrC'2005, LNAI 3641, Springer , Heidelberg, pp. 688697, 2005.
G. Hegeman, SP Hoogendoorn, K. Brookhuis, Observations overtaking
manoeuvres on bi-directional roads, 10th EWGT Meetingand 16th Mini-EURO
Conference, Poznan, 13-16 September 2005.
W. Burghout, "Mesoscopic Simulation Models for Short-Term Prediction",
Technical report, PREDIKT Project, October 2005.
Online Microscopic Traffic Simulation Supports Real-time Traffic-management
Strategies, By J. Barcel, M. Delgado, G. Funes, D. Garca, J. Perarnau, and A. Torday, SIAM
News, Volume 40, Number 9, November 2007.
A. Messmer and M. Papageorgiou, METANET: A macroscopic simulation program
for motorway networks, Traffic Engineering and Control, no. 31, 466-470, 1990.
F. Wood, Particle Filtering a brief introductory tutorial, Gatsby, August 2007.
R. Boel, M. Mihaylova, Modelling freeway networks by hybrid stochastic models,
In Proceedings of the IEEE Intelligent Vehicle Symposium, Parma, Italy, pp. 182-187, 2004.
R. Boel, M. Mihaylova, A particle filter for freeway traffic estimation, 43rd IEEE
Conference on Decision and Control, Atlantis, Paradise Island, Bahamas, 2004.
of Engineering,
Cambridge
University,
http://www.cs.ubc.ca/
nando/publications.html, 1998.
E. Maggio, A. Cavallaro, Accurate appearance-based Bayesian tracking for
maneuvering targets, Computer Vision and Image Understanding, vol. 113, issue 4, pp 544555, 2009.
C. P. Robert, G. Casella, Monte Carlo statistical methods, Springer Verlag, Berlin,
1999.
C. Andrieu, PM Djuric, and A. Doucet, Model selection by Markov chain Monte Carlo
computations, Signal Processing, pp. 1937, 2001.
S. Arunlampalam, S. Maskell, N. Gordon, T. Clapp, A tutorial on Particle filters
for On-line Non-Linear/ Non-Gaussian Bayesian Tracking, IEEE Transactions on Signal
Processing, 2002.
C. Kwok, D. Fox, M. Meila, Real-time Particle Filters, Proceedings of the IEEE, vol.
92, March 2004.
M. Rosencrantz, G. Gordon, S. Thrun, Decentralized Sensor Fusion with
Distributed Particle Filters, Proceedings of the 19th Annual Conference on Uncertainty n
Artificial Intelligence (UAI-03), 2003.
L. Rabiner, "A tutorial on Hidden Markov Models and selected applications In speech
recognition, n Proceedings of the IEEE vol. 77, no. 2, pp. 257-286, 1989.
D. Crisan and A. Doucet, A survey of convergence results on particle filtering
methods for practitioners, IEEE Trans. SignalProcess , vol. 50, no. 3, pp. 736746, March
2002.
S.K. Zhou, R. Chellappa, B. Moghaddam, Visual tracking and recognition using
appearance-adaptive models n particle filters, IEEE Transactions on Image Processing,
Vol. 13, No. 11 , pp. 1491-1506, 2004.
P. Pan, D. Schonfeld, Dynamic Proposal Variance and Optimal Particle Allocation in
Particle Filtering for Video Tracking, IEEE Transactions on Circuits and Video
Technology, Vol 18, No 9, pp. 1268-1279, September 2008.
M. Bolic, P. M. Djuric, and S. Hong, Resampling Algorithms for Particle Filters: A
Computational Complexity Perspective, EURASIP Journal of Applied Signal Processing,