Sisteme Distribuite de Senzori Pentru Gestionarea Robustă A Traficului Rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier
Florica Maria NAGHIU Departamentul Calculatoare i Tehnologia Informaiei Universitatea Politehnica din Timioara
Conductor tiinific: prof. dr. ing. Ionel JIAN
2009
-2-
Cuprins
1. 2. 2.1. 2.2. MOTIVAIA ALEGERII TEMEI. O SCURT DESCRIERE .................................................. - 4 PREZENTAREA STADIULUI ACTUAL ................................................................................... - 5 PROBLEME SPECIFICE TRAFICULUI RUTIER ................................................................................. - 5 METODE DE FLUIDIZARE A TRAFICULUI ...................................................................................... - 6 -
2.3. ANALIZA COMPORTAMENTULUI CONDUCTORILOR AUTO N TRAFIC. DISPOZITIVE DE ASISTEN N CONDUCERE ....................................................................................................................................... - 9 2.4. 2.4.1. 2.4.2. 2.4.3. 3. 4. 4.1. 4.2. 4.3. 5. 6. MODELAREA I SIMULAREA TRAFICULUI .................................................................................. - 11 NIVELUL MICROSCOPIC ........................................................................................................ - 13 NIVELUL MEZOSCOPIC.......................................................................................................... - 15 NIVELUL MACROSCOPIC ....................................................................................................... - 15 -
INSTRUMENTE MATEMATICE DE PREDICIE ................................................................. - 16 REZULTATE PRELIMIARE. POSIBILITI DE ABORDARE ........................................... - 22 REZULTATE PRELIMINARE. EXPERIMENTE ................................................................................ - 28 CONCLUZII ................................................................................................................................ - 31 DIRECII POSIBILE DE INVESTIGARE .......................................................................................... - 31 STRUCTURA PROPUS A TEZEI .......................................................................................... - 32 REFERINE ............................................................................................................................... - 39 -
-3-
1. Motivaia alegerii temei. O scurt descriere
Justificarea alegerii acestei teme de cercetare este una complex. Dei industria auto este ntr-o continu i rapid evoluie, accidentele rutiere reprezint nc o problem major fr o soluie viabil. n medie, n fiecare minut o persoan moare ntr-un accident de circulaie. n plus, pe baza statisticilor furnizate de Organizaia pentru Cooperare i Dezvoltare Economic Paris, facturile din spitale, deteriorarea proprietilor, precum i alte costuri pot ajunge pn la 1.3 la sut din produsul intern brut al omenirii. Avnd n vedere doar Statele Unite, suma total anual se ridic la aproximativ 200 miliarde dolari SUA. i, foarte important, pierderile care conteaz cel mai mult nu sunt capturate de aceste statistici, i nu pot fi evaluate n bani. Un alt factor important a fost acela c aceast tem este una interdisciplinar, combinnd majoritar domeniul calculatoarelor i tehnologiei informaiei cu cel al transporturilor, al matematicii i fizicii. Avnd n vedere faptul c aceste domenii sunt dinamice, sunt oferite numeroase posibiliti de abordare, ct i un vast orizont de perfecionare a unei metode specifice. Scopul proiectului de cercetare este cel de a gsi o arhitectur optim bazat pe sisteme distribuite de senzori wireless combinat cu algoritmii adecvai, pentru detectarea situaiilor anormale (ambuteiaje, situaii periculoase rezultate n urma unei manevre de depire, ntoarcere) din traficul rutier, avnd scopul de a fluidiza circulaia i asigura un grad sporit de securitate pentru participani. Acest lucru se bazeaz pe extragerea n timp real a unui model matematic dinamic, capabil s reflecte situaia real la acel moment de timp. n scopul determinrii unui algoritm optim i a determinrii unei arhitecturi optime pentru reeaua de senzori, n partea de nceput a activitii de cercetare m voi axa pe efectuarea a numeroase experimente bazate pe simulri, i pe determinarea unui model adecvat descrierii traficului rutier.
-4-
2. Prezentarea stadiului actual
2.1.
Probleme specifice traficului rutier
Nevoia de mobilitate i de viteza specific secolului XXI a dus la dezvoltarea mijloacelor de transport dar i la apariia unor probleme specifice. Dintre acestea cele mai stringente sunt cele legate de securitatea participanilor la trafic, cele legate de apariia congestiilor ct i cele legate de mediul nconjurtor. n general congestiile apar la anumite ore, considerate ca fiind de vrf, ore n care un numr ridicat de participani folosesc acelai segment de drum sau se ndreapt spre aceeai destinaie. Acest lucru se datoreaz n principal faptului c infrastructura segmentului respectiv de drum nu suport un volum mare de participani simultan la trafic. Alte cauze ale apariiei congestiilor sunt aa cum se descrie n [1] : uneltele de taxare la intrarea sau ieirea de pe anumite segmente de drum la care se percepe o tax, capacitatea redus a segmentului de drum de a gestiona un volum mare de vehicule, o capacitate insuficient pentru mijloacele de transport n comun. La aceste cauze a aduga i urmtoarele: condiii meteo nefavorabile, care duc la scderea vitezei i astfel la o golire mai nceat a segmentului respectiv, lucrrile de reparaie pe anumite segmente de drum, ceea ce duce la ngustarea sau blocarea unei anumite poriuni, apariia unui eveniment neprevzut ( cum ar fi de exemplu un accident ). Aceast problematic a traficului rutier este una fr frontiere, i care afecteaz majoritatea statelor. Rezultatele obinute n urma unei cercetri pentru stabilirea cauzelor i efectelor produse n urma congestiilor rutiere, att din punct de vedere al infrastructurii rutiere, ct i economice i ecologice, pot fi consultate n documentul fcut public de camera comunelor a Marii Britanii [2] . Dei cifrele nu sunt de ultim or, documentul datnd din 1998, poate totui s ilustreze costurile i nevoia stringent de soluionare a problemei. Pe post de soluii primare sunt propuse [1] urmtoarele aciuni: construirea mai multor drumuri, unelte pentru taxare mai performante, construirea unor rampe pentru acces gradual pe autostrad, construirea de sisteme inteligente pentru managementul traficului, construirea unor benzi cu un grad sporit de ocupare, viteza de reacie sporit n cazul accidentelor sau a incidentelor rutiere, luarea n considerare a noilor zone ocupate i
-5-
creterea densitii pe segmentele corespunztoare de drum, oferirea unei autoriti sporite departamentelor de transport regionale. Deoarece majoritatea soluiilor primare propuse n articolul menionat anterior vizeaz domeniul transporturilor i cel economico-politic, m voi axa n continuare pe soluia care mpacheteaz direct domeniul ingineriei calculatoarelor, i anume descrierea sistemelor inteligente pentru managementul traficului, teza propus prin aceast lucrare dorindu-se s aduc mbuntiri n acest sens.
2.2.
Metode de fluidizare a traficului
Problematica traficului rutier este una foarte stringent, lucru demonstrat att de numeroasele articole tiinifice publicate n domeniu transporturilor, i nu numai, ct i al realizrilor din industrie. n acest sens industria automotive prin marile concerne constructoare de maini a transpus n practic rodul cercetrilor tiinifice prin numeroase realizri care au dus la facilitarea i fluidizarea traficului rutier, creterea nivelului de siguran a participanilor, i nu n ultimul rnd au avut un impact favorabil asupra mediului nconjurtor. n continuare voi prezenta succint cteva dintre aceste realizri. n primul rnd voi descrie soluiile deja existente pe pia i care s-au dovedit a fi eficiente. Una dintre acestea este reprezentat de transmiterea ctre participanii din trafic a informaiilor utile. Una din cele mai uzuale metode de a informa participanii la trafic despre posibilele incidente aprute, sau despre condiiile meteo este reprezentat de rezervarea unei anumite frecvene radio pe care sunt transmise informaiile, fie din timp n timp cu scopul de reamintire sau actualizare a mai vechilor informaii, fie n scopul de a atrage atenia asupra unui eveniment sau a unei condiii nou aprute. O alt posibil form de punere n practic a tehnicii bazate pe mesaje este cea prin panourile de informare. Dezavantajul acestei metode este bazat pe faptul c doar prezint un incident sau o situaie deja creat, fr a ncerca ns s anticipeze situaia. Avnd scopul de a fluidiza traficul rutier, de a reduce timpul petrecut n aglomeraie, dar i cu o intenie declarat de ecologizare, unul din cei mai mari productori de maini, Audi, a implementat la nivel urban, Travolution, un sistem capabil s comunice oferului viteza cu care ar trebui s se deplaseze astfel nct la urmtoarea intersecie s prind semaforul pe verde, i n acest mod s reduc ambuteiajele create n intersecii. Din
-6-
pcate acest sistem nu este rspndit la scar industrial, astfel nct s poat fi utilizat pentru orice marc de autovehicul, fiind aplicate doar pe cteva buci din modelele A5 i A6 ale productorului, ct i n alte locaii n afara oraului Ingolstadt. Rolul acestui proiect a fost acela ca pe lng operaiunea frustrant i consumatoare de combustibil, de a opri la semafor, traficul s fie optimizat i de asemenea s se reduc emisia de CO2. Sistemul se bazeaz pe module de comunicaii integrate n fiecare semafor, i care sunt capabile de a trimite mesaje spre mainile din vecintatea lor, alertndu-le de timpul rmas pn la urmtoarea faz verde. Maina de la bord este capabil de a calcula viteza pe care conductorul auto trebuie s o menin, n scopul de a trece prin lumina verde n timpul acestei faze, i afieaz acest lucru prin intermediu ecranului cu interfa multimedia. Sistemul este alctuit dintr-o reea de 46 semafoare inteligente ce a fost instalat n centrul oraului i din software-ul capabil de optimizare treptat. Scopul acestuia este acela de a reduce opririle la minim, de reducere a consumului de combustibil i a polurii n acest proces. n vederea evalurii proiectului nc 20 autoturisme i 50 de instalaii de lumin urmeaz s fie ncorporate. [3] Un alt mod de informare al participanilor la trafic, este Suna, produs i comercializat n special n Australia [4]. Suna GPS Trafic Updates furniz n timp real informaii despre trafic direct sistemului de navigare. De asemenea acest sistem este compatibil cu toate mrcile lidere din domeniu GPS. Sistemul a fost conceput ca, n timp real, s determine condiiile de drum i s informeze sistemul de navigaie de posibilele probleme, n perspectiv, i s recomande rute care ar reduce congestia. Din pcate i acest sistem are o ntindere restrns, fiind disponibil n prezent, doar la Melbourne, Sydney, Brisbane, Gold Coast, Adelaide i Perth. Suna GPS Trafic se actualizeaz continuu, bazat pe monitorizarea traficului i 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 monitoriza continuu nivelele de congestie pe o suprafa de mii de kilometri de drumuri locale, naionale, i autostrzi. n plus, avertismente despre incidente majore (cum ar fi accidentele), importante lucrri de drumuri, condiiile meteorologice severe din punct de vedere rutier, precum i evenimente speciale cu posibil impact n trafic sunt transmise periodic. n funcie de caracteristicile dispozitivului GPS deinut, Suna se integreaz perfect cu dispozitivul iar o dat activat, acesta va beneficia de un numr de caracteristici noi: mesaje audio de avertizare cu privire la schimbarea condiiilor meteo, afiarea hrii ct i a locaiei i natura problemelor de trafic n special cele care afecteaz traseul. De asemenea sistemul este capabil s estimeze ntrzierile posibile, iar n acest caz s calculeze i s recomande o rut auxiliar. [4]
-7-
n momentul de fa nu exist un sistem care s prezic n timp real un posibil accident rutier rezultat dintr-o manevr de depire (exist sisteme pre-crash care acioneaz msuri de siguran cu aproximativ 1-2s nainte de un posibil accident) sau un posibil ambuteiaj. Urmrirea i determinarea poziiei corecte a unei maini a devenit o problem important pentru un management robust al traficului. Prin urmare, numeroase sisteme inteligente de supraveghere i de transport au fost dezvoltate n ultimii ani. Un aspect important al acestei activiti este de a obine rezultatele corecte prin utilizarea unor radare i a unor dispozitive low-cost i trimiterea doar a ctorva cadre pe minut, avnd astfel la ndemn informaii incomplete i afectate de zgomote. Aceste sisteme necesit de obicei informaii precise cu privire la situaia actual a traficului. Unele sisteme extrag date i estimeaz fluxul de trafic, pe baza informaiilor de la senzori, aflai ntr-o vecintate bine definit. n scopul de a filtra zgomotele i de a folosi aceste msurtori distorsionate sau incomplete pentru a calcula o stare optim, o posibil soluie este s se foloseasc metode de filtrare adecvate, de tip stocastic. Aceste dispozitive de supraveghere a traficului sunt ncorporate n sisteme de transport inteligent. Utilitatea acestor sisteme poate fi observat n principal legat de probleme economice i sociale de transport, n cea mai mare parte a rilor industrializate. Rolul lor esenial este de detecie a incidentelor, de gestionare a traficului, i de colectare a timpilor de cltorie. Mai exact acestea pot mbunti gestionarea traficului n reele congestionate. Acest lucru necesit o nelegere clar a funcionarii fluxului de trafic i a metodelor de evitarea congestionrii segmentelor. Alte probleme sunt de a stabili ora i locaia unde are loc un blocaj n trafic i de a urmrii modul n care congestia se propag prin interiorul reelei. n acest scop un raport cu starea traficului i un set de parametri sunt necesari. n cele mai multe cazuri de determinare a strii traficului, cum ar fi cu ajutorul densitii, de obicei, nu sunt disponibile direct din msurtori n orice punct al reelei rutiere. [5] Exist dou tipuri de baz ale sistemelor de supraveghere a traficului: pe partea carosabil a drumului i cele aezate pe vehicule. Dintre cele mai populare amplasate pe drum 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.
-8-
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.
2.3. Analiza comportamentului conductorilor auto n trafic. Dispozitive de asisten n conducere

Sistemele de asisten n conducere sunt sisteme inteligente, ce asigur oferului 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 rezolva sarcini bine definite, care s ncerce s sprijine, i nu s nlocuiasc un ofer. Indiferent c este vorba de un co-pilot uman sau de un sistem automat, acesta necesit cunotine de: vitez, acceleraie, direcie, poziie pe osea, direcia de deplasare, de localizare a vehiculelor i a potenialelor obstacole, a priori de un model de dinamic a vehiculului, chiar i de cunoatere a comportamentului oferului vehiculului.
-9-
Asistentul n conducere, de asemenea, trebuie s fie capabil de a delibera asupra unor aciuni posibile pe baza cunotinelor anterioare i a consecinelor posibile n timp, sau prin comunicare cu oferul sau chiar de a prelua n mod secundar controlul vehiculului [6] . Lund n considerare importana pe care o au aceste sisteme de asisten, rolul ndeplinit i condiia de timp real, interfaa om-main trebuie s fie foarte atent aleas. Acesta trebuie s informeze conductorul auto n timp util i la momentul potrivit asupra deciziei la care a ajuns. Pe de alt parte, trebuie s nu induc n eroare sau s deranjeze oferul atunci cnd d un rspuns. O interfa ct mai uman joac, probabil, cel mai important rol n acest aparat de succes, de aceea ea trebuie s fie ct mai uor de utilizat i ct mai sugestiv posibil. Deosebirile ntre situaiile n cazul n care conductorul auto vrea s depeasc i cea n care la rndul su este depit, sau n care aceast aciune nu este posibil trebuie s fie n mod clar evidente. Sistemele de asisten n conducere sunt privite ca un instrument promitor pentru a mbunti sigurana traficului, confortul oferului, precum i creterea capacitii de transport a drumurilor, i de a limita consumul de energie. Ele sunt definite ca fiind sisteme de conducere n care sarcina este parial sau n ntregime asumat de ctre un sistem automat. Una dintre cele mai importante i riscante aciuni ale unui conductor auto, o reprezint manevra de depire. O scurt analiz a aciunii de depire identific dou situaii. Condiiile de depire sunt puin diferite n cazul autostrzilor, n comparaie cu drumurile naionale. Primul caz presupune numai vehicule care ruleaz n aceeai direcie, pe ambele benzi implicate, i astfel un flux unidirecional al traficului. Pe de alt parte, pe drumurile naionale situaia comun implic dou benzi, i astfel un flux bidirecional al traficului. Un nou model de depire pe osea este propus n [7]. Modelul consider ca factori importani timpul reactiv de ntrziere al vehicul pentru aciunile de accelerare, decelerare, i de a schimba banda, n condiii de siguran i la distan fa de maina urmtoare. Timpul necesar pentru depire, pierderea de timp n procedura de depire i evoluia spaiu-timp sunt numeric investigate folosind modelul mai sus amintit. Cercettoarea Geertje Hegeman a proiectat un sistem de avertizare (asistent de conducere), care afieaz o lumin verde, cnd acesta este n siguran pentru a efectua o manevr de a depi un alt vehicul. Dac nu prezint siguran aciunea, o lumin roie este afiat. Ea a testat acest lucru ntr-un simulator de conducere pe un drum cu dou benzi. O concluzie este c asistentul n conducere confer oferului un sentiment de uurin n efectuarea manevrei de depire i pot avea un efect pozitiv asupra siguranei i eficienei rutiere. Hegeman a folosit n cadrul proiectului su observaiile comportamentului manevrei de depire pe drumul N305 ntre Almere i Zeewolde n rile de Jos. n urma acestor
- 10 -
observaii a concluzionat c o manevr de depire poate s ia n medie circa opt secunde. Zece procente din cazuri au mai puin de trei secunde ntre replierea pe banda de mers i ntlnirea cu vehicul de pe contrasens.[8] Studiul ei este parte a ROADAS (Research on Overtaking and Advanced Driving Assistant Systems), care este un proiect din cele ase subproiecte ale programului de cercetare aflat sub conducere olandez, BAMADAS (Behavioral Analysis Modeling for the Design and Implementation of Advanced Driver Assistance Systems). BAMADAS intenioneaz s mbunteasc cunotinele cu privire la comportamentul oferilor de vehicule rutiere, n interaciune cu ADAS. Pentru acest proiect ce ncorporeaz i sisteme avansate de navigaie, este dezvoltat n colaborare cu BMW. Varianta comercial de ADAS este ateptat pe pia n urmtorii 10 ani.
2.4.
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. Cele mai explorate metode sunt arhitecturile cognitive [9,10], i interfeele cu sistemele de asisten n conducere, cum ar fi adaptive speed cruise control [11]. n aceasta ultim referin observaiile empirice despre diferite scenarii din activitatea de conducere auto sunt, de asemenea, amestecate cu cercetarea tiinific. La nivel microscopic,
- 11 -
comportamentul oferului este modelat n [12], cu un puternic accent pe modelarea acceleraiei n diverse condiii. Modelele Markov Ascunse, ca o posibil abordare n acest domeniu sunt prezentate n [13]. Autorii au 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 [14], 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 [15]. 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 [16]. 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 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 constant. Mai multe detalii despre procedura de depire i de scenariile complexe posibile pot fi consultate n [17].
- 12 -
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 microscopice [18]. 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. 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 influenei variate a diverilor factori, ceea ce duce la necesitatea de a salva i replica rezultatele. n cazul acestor modele, strile urmtoare nu pot fi determinate cu o mare precizie. Modele deterministe au la baz legi fizice stabile, iar strile urmtoare pot fi determinate cu mare precizie. Acest tip de model este impropriu pentru traficul rutier. n cazul modelelor bazate pe evenimente sunt calculate schimbrile sistemului sub influena unor factori sau declanrii unui anumit eveniment.
2.4.1. Nivelul Microscopic

Modele microscopice de simulare a traficului difer semnificativ fa de modelele convenionale agregate de trafic. Acest lucru se datoreaz faptului c n loc de a modela fluxurile de trafic, modelul microscopic simuleaz comportamentul tuturor vehiculelor individuale din reea. Aceste modele permit luarea n considerare a unor fenomene importante din trafic cum ar fi comportamentul conductorilor auto pe drumurile
- 13 -
aglomerate pn aproape de capacitatea lor maxim, interaciunea dintre vehiculele la intersecii complexe, interaciunea dintre pietoni i trafic i ntre diferite categorii de vehicule. n cadrul modelelor microscopice, sunt surprinse si cteva tipare comportamentale, cum ar fi: urmrirea unei maini considerate lider descrie acceleraia, deceleraia i pstrarea unei distane de siguran ntre maini; modelele de acest tip sunt stimul rspuns, distana de siguran; schimbarea benzilor: aciunea de depire; decizia de a schimba benzile, distanele necesare,
ateptare / oprire : descrie comportamentul din intersecii, seciunile de jonciune a benzilor.
n cazul folosirii unui model microscopic avantajele se reflect n determinarea unor incidente, alegerea rutelor i rspunsul indivizilor la diveri stimuli. Cele mai populare modele la nivel microscopic sunt reprezentate de ctre Cellular Automata i Sistemele Cognitive MultiAgent. Cellular Automata, sau un robot celular este o colecie de celule colorate aparinnd unei reele ce are o form precis, i care evolueaz printr-o serie de pai discrei de timp, n conformitate cu un set de reguli bazat pe starea celulelor vecine. Regulile sunt apoi aplicate iterativ, ori de cate ori se dorete. Cellular Automata se poate 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.
- 14 -
Caracteristicile principale ale unei simulri microscopice sunt reprezentate de urmtoarele aspecte: [16] Necesit o reprezentare detaliat a geometriei reelei rutiere; Emuleaz fluxurile de trafic individuale ale autovehiculelor cu diferite caracteristici i le grupeaz n mai multe clase; Actualizarea poziiilor vehiculelor din trafic, folosind reguli i modele, cum ar fi cel al urmririi unui vehicul considerat ca fiind lider, reguli de schimbarea benzilor, i inclusiv componente stocastice; Reprezint n mod explicit strategiile de control.
2.4.2. Nivelul Mezoscopic

Modelele mezoscopice ntreptrund att nivelul macroscopic prin agregarea componentelor ct i interaciunile individuale ale nivelului microscopic. Aceste modele descriu participanii la trafic cu un nivel ridicat de detalii, dar i comportamentul i interactiunea sunt descrise cu un nivel mai sczut de detalii. Caracteristicile principale ale unei simulri microscopice sunt reprezentate de urmtoarele aspecte [19]: 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 Vehicule care cltoresc mpreun n timp, dependent de trasee, de la origini pn la destinaii.
2.4.3. Nivelul Macroscopic
- 15 -
Nivelul macroscopic de modelare prezint segmentul de trafic in discuie sub forma unui sistem constituit din agregarea participanilor [18]. 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 trafic [18]. La nivel de simulare i modelare macrscopic a traficului, modelul METANET [20] 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 furnizate prin msurtorile primite de la dispozitivele de agregare [18]. n timp ce modele macroscopice au abilitatea de a simula reele mari n mod eficient, n general le lipsesc detaliile individuale. Din aceast cauz modelarea rspunsului la diverse incidente este mai greu de realizat.
3. Instrumente matematice de predicie

Supravegherea traficului reprezint o activitate complex din cauza non-liniaritii fluxului de vehicule i a numeroaselor interaciuni dintre ele i, de asemenea, a complexitii computaionale i a necesitii timpului real de reacie. Multe metode de supraveghere video se bazeaz pe tehnicile predictive folosite pentru estimarea unei stri necunoscute dinamice i care, de obicei, provin dintr-o colecie de observaii secveniale i non-liniar, afectate de zgomote. Abordrile stocastice adesea se reduc la o problem de estimare, o estimare a strii pentru o perioad de timp a unei serii de stri spaiu-model.
- 16 -
Cele mai multe tehnici de investigaii n cazul non-liniar / non-Gaussian modele sunt bazate pe metoda Monte Carlo, i sunt cunoscute sub numele de filtre cu particule. Termenul de particule desemneaz densitatea de probabilitate aplicabil pentru orice model de spaiu i stare i, astfel, reprezentnd o generalizare a tradiionalului filtru Kalman. Un pas important n abordrile estimative Bayesiene dinamice este de a construi funcia de probabilitate a densitii posterioar PDF [21]. Pentru a analiza i a face deducie asupra unui sistem dinamic de cel puin dou modele sunt necesare. n primul rnd un model care descrie evoluia strilor, n timp, (modelul sistemului) i n al doilea rnd, un model cu privire la zgomotele ce nsoesc msurtorile (model de msurare). Filtrul urmeaz n principal dou etape. Acestea sunt cea de predicie i cea de actualizare. Etapa de predicie utilizeaz modelul sistemului i PDF anterioar pentru a determina noua valoarea i de a transmite strile de la un interval de timp la altul. Deoarece starea este, de obicei, influenat de ctre observaii, care i ele la rndul lor sunt tulburate i modelate aleator de ctre zgomot, impactul se reflect n general n deformarea i denaturarea funciei de densitate de probabilitate fa de forma anterioar. Operaia de actualizare utilizeaz cele mai recente msurtori pentru a modifica funcia de predicie (PDF) [21]. ntr-adevr, un filtru de particule reprezint o tehnic de punere n aplicare recursiv a filtrelor bayesiene printr-o metod Monte Carlo de prelevare de probe. Dup cum este descris de ctre Mihaylova n [22], fluxul de trafic pe autostrad este reprezentat de un model multi-particul cu caracter non-liniar. Aceasta include, de asemenea, interaciuni complexe ntre vehicule, cum ar fi blocajele de circulaie, valurile de pornireoprire i multe altele. Mai multe configuraii de filtrare pot fi folosite pentru a procesa informaiile provenind de la senzori ntr-o operaiune de estimare a fluxului de trafic. Cele mai multe i comune abordri sunt bazate pe metodele stocastice de filtrare. n [24] este prezentat o comparaie ntre filtrul Kalman i filtrul Kalman unscented, pentru estimarea strii i a diverilor parametrii pentru diferite configuraii de detector. Lucrarea prezint ca i concluzie o performan comparabil, atunci cnd se utilizeaz un filtru extins Kalman sau un filtru Kalman unscented. O alt concluzie este c un grup de filtrare efectueaz n mod semnificativ o mai bun estimare dect o aplicare dubl a unui algoritm de filtrare. Cu toate acestea, aceasta nu are nici o influen semnificativ asupra parametrului estimat eroare. Un filtru cu particule este soluia care a fost propus pentru a modela traficul pe autostrad, cu ajutorul strilor i variabilelor agregate membre n [23]. n aceast lucrare actualizarea particulelor se face n mod regulat
- 17 -
sau neregulat la diverse intervale de timp, atunci cnd informaiile din msurtori vor fi disponibile. Multe sisteme de urmrire a traficului utilizeaz reele de camer video. Avnd n vedere rezoluia limitat i calitatea lentilelor un aparat fotovideo digital, acest aspect predispune la erori. O modalitate de a corecta aceste erori este de predicie a urmtoarei poziii a mainii. n [24], este prezentat o comparaie ntre filtrele Kalman i filtre cu particule ntro aplicaie cu urmrire de vehicule. Filtrele Kalman sunt considerate a fi o soluie optim n cazul unor restricii ca liniaritatea sistemului de ecuaii care descriu sistemul, procesele albe Gaussiene i zgomotele care nsoesc msurtorile. n cazul filtrului cu particule cerinele sunt mult mai puin stricte n ciuda producerii doar a unui set de vectori de stri suboptimale. Referina [25] prezint un model despre modul n care vehiculele simt lumea nconjurtoare i despre procesul de informare i de cuantificare a informaiilor disponibile. Aproximarea funciilor de maximizare a informaiilor din reea pentru a fi scalabile, presupune cooperare la nivel global. Cele dou metode pentru a calcula informaii sunt printr-un schimb reciproc cu un singur nod din apropiere i prin schimb mutual cu toate nodurile din imediata vecintate. Prima dintre ele se bazeaz pe o caracteristic emergent de comportament. Cea de-a doua, bazat pe cooperare direct, este mult mai exact, dar presupune un calcul intensiv. Acestea sunt combinate cu un filtru cu particule pentru rezultate optime. Poziionarea, n cazul n care chiar propria poziie este cea care urmeaz a fi estimat este o alt aplicaie a filtrului cu particule. Aceasta reprezint o problem de filtrare, mai degrab dect o problem de estimare static, atunci cnd un sistem de 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. Urmrirea unei inte, n cazul n care poziia unui alt obiect este estimat pe baza msurtorilor de unor poziii i stri relative, este prezentat n [25]. 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) [26]. 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.
- 18 -
O alt abordare, care are unele puncte comune cu algoritmul prezentat n aceast lucrare este propus n [27]. 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) [28] 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 n [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 n [30]. O combinaie ntre filtrul Monte Carlo i lanurile Markov este prezentat n literatur ca MCMC (Monte Carlo Markov Chain) [31]. Iniial o prim stare x0 este prelevat n conformitate cu o densitate propus, care poate fi Gaussian, caz n care reprezint i covariana mostrelor Monte Carlo calculate la ultimul pas. Vectorii de stare subsecveni sunt, apoi, prelevai prin intermediul funciei de stare pas cu pas. Metodele MCMC permit aproximri a unor dimensiuni mari folosind distribuii de probabilitate ale unor mostre considerate etalon. Prin utilizarea acestei metode, se pot utiliza mediile acestor probe pentru a calcula mai multe cantiti de interes. Aceste eantioane pot fi, de asemenea, folosite pentru a calcula estimri statistice, cum ar fi regiunile cu un grad ridicat de 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,
- 19 -
metoda MCMC poate s nu fie optim, deoarece un numr mare de iteraii ar fi necesare pentru a atinge densitatea de distribuie dorit [32]. 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 1 sunt prezentate succint variaiunile filtrului cu particule pornind de la survey-ul prezentat in [33]. 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, surprins de acest tipar.
Denumire Sequential Importance Sampling (SIS)
Descriere Propagare i calcul recursiv al ponderilor pe msura ce observaiile provenite din msurtori
Comentarii - problema major: fenomenul de degenerare: anumite particule sunt privilegiate, restul vor avea o pondere nesemnificativ
- 20 -
sunt primite
- un efort computaional ridicat pentru calcularea unor valori care vor contribui la rezultatul final cu valori apropiate de zero; - alegerea adecvat a funciei densitii de probabilitate, astfel nct s fie minimizat variaia ponderilor; [33] - se regenereaz la fiecare pas particulele, bazat pe valoarea ponderii lor, ducnd la creterea probabilitii; - algoritmul SIR poate fi uor derivat din SIS printr-o alegere adecvat a importanei, i prin pasul de regenerare, care urmeaz s fie aplicat fiecrui interval de timp; - varianta de mbuntire a acestui algoritm este dat de ctre "Auxiliary Sampling Importance Resampling Filter (ASIR)" : regenerare cu ponderi egale, ceea ce ar putea conduce la obinerea unei stri mult mai apropiate de starea real; - rezultate slabe n cazul unui numr sczut de particule, datorita regenerrii particulelor cu o pondere mai mare, anumite stri pot deveni privilegiate; [33] - Metodele MCMC reprezint o mbuntire a acestui tip de particule
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.
Likelyhood Particle Filter
Densitatea de importan este dat de funcia de asemnare.
- Produce rezultate superioare metodelor de estimare a densitii de importan bazate pe calculul posterior al acestei valorii. [33]
Tabelul 1. Scurt prezentare comparativ a variaiilor filtrului cu particule
- 21 -
i n cadrul implementrii distribuite a filtrelor cu particule avem de-a face cu mai multe variaii. Cele mai populare abordri sunt sintetizate n tabelul numrul 2. Principalele probleme care intervin n plus n cazul folosirii unui algoritm distribuit sunt date de ctre: timpul de execuie (pentru aceast aplicaie este nevoie de un timp real de rspuns), puterea de calcul i acurateea rezultatelor (n cazul folosirii unor sisteme bazate pe senzori wireless resursele sunt limitate att din punct de vedere al energiei ct i al complexitii calculelor) i nu n ultimul rnd de scalabilitatea sistemului. n multe aplicaii bazate pe filtre cu particule care necesit n timp real de execuie, informaiile primite de la senzori ajung la o rat semnificativ mai mare dect rata de actualizare a filtrului. Abordarea cea mai rspndit n cazul acestor situaii este de a actualiza filtru de particule ct mai des posibil i renunarea la acele informaii venite de la senzor, care nu pot fi procesate n timp util. O alt posibilitate este aceea de a mixa seturile de prob pentru constituirea unui singure valori posterioare trimise filtrului n momentul n care se face actualizarea informaiei. [34] Ponderile componentelor mixului sunt stabilite n aa fel nct s reduc la minimum eroarea introdus de aceast reprezentare. Acest lucru se face cu ajutorul RTPF (Real Time Particle Filter) [34], o metod n cazul n care sunt luate n considerare toate msurtorile provenite de la senzori prin distribuirea de eantioane printre observaiile sale ntr-o fereastr de actualizare.
Denumire Implementarea liniar Distribuite, cu nod central de calcul Distribuite, fr nod central de calcul
Descriere Un singur nod care s preia informaia i s efectueze calculele. Nodul central are rol de a prelua si agrega datele, ct i de a efectua calculele Lipsa unui nod central ncearc s reduc comunicaia excesiv din cadrul reelei, prin limitarea schimbului de informaii doar cu nodurile vecine. [35]
Tabelul 3 Modaliti de implementare a filtrelor cu particule
4. Rezultate preliminare. Posibiliti de abordare

Pentru demararea acestui proiect de cercetare am pornit de la un model microscopic i am ncercat s implementez un algoritm predictiv capabil s estimeze o
- 22 -
succesiune de parametrii cum ar fi poziia i viteza unui vehicul, bazat pe date citite din observaiile unor camere video. Acest algoritm s-a transpus ntr-un filtru cu particule. Pentru implementarea algoritmului s-a utilizat un model de camer de supraveghere cu o eroare de distribuie cunoscut. De asemenea, pentru a obine eroarea absolut a poziiei mainii s-a utilizat un dispozitiv de nalt definiie, care va reda poziia real a mainii aa cum se prezint n Fig 1. Aceast eroare joac un rol important n calibrarea aparatului de supraveghere. Pe baza poziiei calculate din imaginile de la aparatul video i determinarea erorii relative putem apoi calibra camerele de supraveghere. Acest lucru duce la reducerea valorii erorii.
Figura 1. 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.
Am decis proiectarea unui filtru cu particule pentru a 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
- 23 -
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:
p(xt+1|zt+1)p(zt+1|xt+1)p(xt+1) (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 [32], densitii anterioare, care devine densitate posterioar propagat de la pasul anterior, folosind un timp de tranziie (model dinamic):
p( xt 1 ) p( xt 1 | xt ) p( xt | zt )dxt
(2)
Aceast valoare a probabilitii este folosit n urmtorii pai pentru a face predicii. Algoritmul general de filtru de particule trece prin urmtoarele etape:
(1) Iniializare: crearea unui set iniial de particule (etaloane) bazat pe ecuiile sistemului; (2) Predicie: cu ajutorul particulelor din pasul precedent se determin poziia viitoare a particulelor; (3) Actualizarea ponderilor: calculul ponderii fiecarei particule; (4) Estimarea strii: n fiecare pas; estimarea strii fiecrui obiect este fcut
(5) Regenerare: Particulele cu ponderea mai mare genereaz alte particule, n timp ce, acelea care au o pondere mai mic sunt nlturate.
Fig 2. Pseudocod pentru algoritmul SIR generic
Modelele de predicie a comportamentului unui obiect complex se bazeaz pe cunotinele acumulate n timp i utilizate pentru a stoca informaii despre schimbrile relevante ale parametrilor sau posibilitatea schimbrii acestora n viitor. Aceast informaie
- 24 -
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 [37].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 stri [37]. 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 ++.
- 25 -
Fig 2. Tranziii posibile ntre stri asociate
Avnd n vedere legea fizic de micare, n fig. 2 sunt descrise posibilele tranziii ntre strile asociate. De fiecare dat, sunt considerate tranziiile ntre ultima stare a sistemului i cea actual, bazat pe observaii, i estimri anterioare. Folosind aceast tranziie de stri n implementarea salturilor n lanurile Markov, o matrice de densiti de probabilitate (PDM) (1) este generat.
(1) Matricea de densiti
de probabilitate
00 10 0 20 30 40
01 11 21 31 41
02 03 12 13 22 23 32 33 42 43
04 14 24 34 44
ai 1 Deoarece avem de a face cu un lan Markov normal condiia ca i 0 este ndeplinit. Determinarea strii urmtoare posibil a mainii poate fi privit din punct de
- 26 -
vedere Bayesian ca o problem de estimare a unui anumit grad de probabilitate a strii x t a unui obiect la un moment de timp t, avnd la dispoziie o secven de observaii z 1: T. Filtrarea Bayesian recursiv calculeaz o densitate posterioar, care poate fi scris sub forma: p ( x t+1 | z t+1 ) p ( z t+1 | x t+ 1 ) p ( x t+1 ) (2) n scopul de a construi PDM, presupunem c distribuia posterioar de la pasul anterior de filtrare p(x t-1 | z 1:t1 ) este disponibil i o putem folosi pentru predicie. Acest lucru se realizeaz prin aplicarea unei prezumii Markov [8], asupra densitii prealabile, care devine densitate posterioar provenind din pasul de timp anterior utiliznd o densitate de tranziie (model dinamic):
p( xt 1 ) p( xt 1 | xt ) p( xt | zt )dxt
(3)
Valoarea aproximat a distribuiei anterioare este dat de formula (4)

p( xt 1 | zt 1 ) wtn p( zt 1 | tn1 ) p( xt 1 | xtn )
n 1 N
(4)
unde t 1 reprezint valoarea densitii de probabilitate, provenit din PDM al modelului dinamic Markov. Filtru cu particule, n varianta SIR se bazeaz n general pe urmtoarele trei operaii: generarea de noi particule (prelevarea probelor din spaiul de stri neobservate), calculul ponderilor asociate particulelor i resampling ( procesul de ndeprtare a particulelor cu ponderi mici i nlocuirea lor cu particule cu ponderi mai mari).
n
Pentru a crete viteza filtrului cu particule, modificri algoritmice sunt necesare. Principalele provocri pentru creterea vitezei implic reducerea numrului de operaiuni ce presupun concuren i exploatarea operaional ntre generarea de particule i paii de calcul ai ponderilor asociate particulelor. Operaiunea de resampling nu este intensiv din punct de vedere computaional, sunt posibile modificri n algoritm care vor duce la creterea vitezei prin suprapunerea acestei operaii cu generarea de particule [40]. 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.
- 27 -
Un pseudocod al algoritmului implementat este prezentat n continuare.

Paii de iniializare (1) Crearea unui set iniial de particule cu valori aleatoare ale poziiilor n intervalul de +/-1 % din valoarea citit de la aparatul de supravghere (2) Genereaz xi0 ~ i; i = 1..N Fiecare etalon sin spaiul vectorilor este referit ca fiind o particul; (3) 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.
Fig 3. Algoritmul implementat n cadrul simulrilor
4.1.
Rezultate preliminare. Experimente
Setul de teste efectuate pentru acest algoritm se bazeaz pe simularea tiparelor de conducere, prin intermediul unui simulator de trafic Java. Acest simulator este capabil s gestioneze mai multe tipare de comportament al conductorilor auto, cum ar fi micarea liber constant, accelerare uoar pn la o limit dat de o valoare de calibrare combinat cu o micare constant, n acest caz este considerat inclusiv o accelerare negativ (decelerare pn la o limit impus n scopul de a urmri un vehicul din trafic), i comportament oscilator n limita a dou valori cunoscute de vitez. Acesta a fost conceput pentru a gestiona mai multe distribuii de automobile, cum ar fi liniar, Gaussian sau aleatoare. Eroarea maxim a aparatului de supraveghere se nscrie ntr-o raz de 1 m. Este
- 28 -
cunoscut faptul c, atunci cnd sunt puse n aplicare n mod eficient, filtrele de particule presupun un cost de calcul proporional cu numrul de particule [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.
Fig 5. Variaia erorii n cazul unui tipar ce presupune o cretere a vitezei
- 29 -
Fig. 6 Variaia erorii n cazul unui tipar ce presupune o vitez constant
Fig. 6. Variaia erorii n cazul unui tipar ce presupune o scdere a vitezei
Fig 9. Variaia erorii relative n cazul unui tipar de micare oscilatorie
- 30 -
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.
4.3.
Direcii posibile de investigare
Acest referat prezint contextul prezentei direcii de cercetare, o scurt istorie a domeniului, cteva consideraii teoretice pentru o mai bun nelegere ct i direciile cele mai investigate din domeniul estimrii traficului pe baza unor algoritmi de predicie, dar, n acelai timp i problemele rmase deschise ct i viziunea personal asupra acestui subiect. n continuare voi prezenta succint cteva scenarii posibile de investigat. Un prim scenariu propus este urmtorul: Avem de-a face cu dou zone cu distane egale supravegheate de senzori, structura reelei n aceste dou zone este una cunoscut i stabilit anterior. Pe marginea drumului avem de-a face cu dou tipuri de noduri de reea : noduri de tip A care sunt puse pe stlpii de curent au energie suficient i o putere de calcul ridicat (sunt nodurile asupra crora se aplic filtru cu particule, n acest caz implementarea filtrelor cu particule fiind unul distribuit cu noduri centrale de calcul ); noduri de tip B, au responsabilitatea de captare i agregare a datelor (primite de la maini) i de a transmite informaiile ntre noduri (noduri mesager).
Mai avem o parte de senzori mobili, aflai pe maina care au rolul de a transmite poziia i viteza mainii n seciunea de mijloc, cu o lungime mult mai mic dect cea considerat anterior pentru nodurile mesager. n partea mediana a segmentului considerat nu se cunoate cu exactitate structura reelei, dect tipul de noduri prezente. Pe baza modelului capturat din cele 2 pri, se ncearc s se genereze modelul pentru zona
- 31 -
median 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. 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 concentrat ntr-un anumit moment din zi. 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).
5. Structura propus a tezei

n tabelul 1 este prezentat aspectul propus al tezei. Desigur, deoarece m aflu nc la nceput, rezultatele viitoare pot s produc schimbri n informaiile prezentate mai jos.
- 32 -
Acest lucru poate fi considerat ca imaginea actual a modului n care mi voi structura teza de doctorat. Cea de a doua coloan din tabelul de mai jos prezint pe scurt coninutul propus al capitolelor tezei.
Capitolul din teza 1. Introducere
Comentarii Conine o succinta descriere a problemei. De asemenea, structura tezei i principalele contribuiile sunt amintite.
2. Instrumente matematice de predicie
Prezint o descrie teoretic a instrumentelor matematice de predicie, o 2.1. Consideraii teoretice clasificare a algoritmilor din domeniu. De asemenea sunt prezentate comparativ 2.2. State of the art diverse metode de implementare a 2.3. Comparaie ntre diverse metode de filtrelor cu particule i a algoritmilor de implementare a filtrelor cu particule tip MCMC. n urma analizei se determin direciile de mbuntire a acestora, iar n final este 2.5. Algoritmi de predicie distribuii: propus un astfel de algoritm. probleme determinate i metode de mbuntire 2.4. Metodele MCMC
3. Modelarea i simularea traficului
Un review al literaturii din acest domeniu este prezentat, ct i o descriere a 3.1. Determinarea unor tipare din traficul avantajelor i dezavantajelor folosirii auto State of the art acestor metodele de simulare. 3.2. Comparatie ntre modelele la nivel Determinarea n urma analizei, a metodei microscopic, mezoscopic i considerate ca fiind potrivite pentru macroscopic aplicarea ulterioar a algoritmilor de 3.3. Propunerea unei metode de modelare predicie. Analizarea posibiliti de mbuntire i 3.4. Aplicarea algoritmilor de predicie combinare a metodelor de modelare i a pentru determinarea unor situaii algoritmilor de predicie, n vederea obinerii unor rezultate optime pentru critice din trafic sistemele distribuite de monitorizarea traficului. Realizarea unui simulator i
- 33 -
considerate optime
rularea experimentelor, n scopul de calibrare i obinerea unor erori minime de predicie. 4. Arhitecturi distribuite de reele de senzori 4.1. State of the art 4.2. Designul arhitecturii utilizate Studierea arhitecturilor de senzori distribuii n vederea determinrii structurii adecvate aplicaiei de monitorizare a traficului rutier. n urma analizei se va determina structura optim pentru aplicaie, ct i designul acestei reele. Se vor prezenta beneficiile i lipsurile, i mai ales motivele care au dus la alegerea acesteia. 5. Implentarea practic 5.1. Experimente Implementarea practica pe structura de reea distribuit prezentat n capitolul 4, a algoritmilor propui.
5.2. Comparaia cu rezultatele obinute n Rezultatele obinute se vor compara cu urma simulrii pe calculator cele estimate n cadrul simulrilor. Se va lua n calcul posibilitatea introducerii 5.3. Discuii unor deviaii datorit erorilor de calibrare a aparatelor. Analizarea i experimentale. discutarea rezultatelor
6. Concluzii i posibile direcii viitoare de Ofer un rezumat al tezei, i dezvoltare propune posibile direcii de cercetare viitoare bazate pe rezultatele obinute att n cadrul simulrilor ct i n cadrul realizrii practice. 7. Appendix 8. Bibliografie
Tabelul 1 : Structura propus a tezei

- 34 -
O parte din aceast propunere se poate regsi, condensat n urmtoarele articole deja publicate i prezentate n cadrul conferinelor: 1. F. Naghiu, D. Pescaru, Influence of Driver Behavior Patterns in Correcting Video Sensing Errors in Traffic Surveillance Applications, International Conference on Intelligent Computer Communication and Processing, ICCP, 27-29, August 2009. 2. F. Naghiu, D. Pescaru, G. Magureanu, I. Jian i A. Doboli, Corrections of Sensing Error in Video-based Traffic Surveillance, International Symposium on Applied Computational Intelligence and Informatics, SACI, Mai 2009. n continuarea proiectului de cercetare vor fi prezentate dou referate, referate ce vor prezenta rezultatele pn la momentul respectiv. Primul dintre ele va conine: Un studiu comparativ al metodelor de predicie matematic, aplicarea i mbuntirea algoritmilor de tip filtru cu particule i a metodelor MCMC n aplicaii distribuite de supervizare a traficului rutier; Studiu comparativ al modelelor existente pentru simularea i modelarea traficului rutier att la nivel microscopic, macroscopic ct i mezoscopic, analizarea determinarea unui model optim de reprezentare a fluxului de maini n aplicaii distribuite; mbinarea modelului de simulare propus cu un algoritm de predicie i prezentarea valorilor obinute n urma experimentelor/ simulrilor. Interpretarea rezultatelor obinute;
Cel de-al doilea referat va conine: Studiu comparativ al diverselor arhitecturi de sisteme de senzori wireless distribuite; Determinarea i designul unei astfel de arhitecturi, optime pentru supravegherea robust a traficului rutier; Rezultate obinute n urma simulrilor pe calculator Implementarea practic i adunarea de date experimentale de senzori ( n sperana obinerii fondurilor necesare cumprrii echipamentului necesar) ;
- 35 -
Interpretarea rezultatelor obinute;
Teza, va conine n final o mbinare i rafinare a acestor aspecte prezentate n cele dou referate. Pentru realizarea acestui proiect, n afara colaborrii cu conductorul meu tiinific, domnul prof. dr. ing. Ionel Jian, voi mai colabora i cu domnii profesori dr. ing. Dan Pescaru i dr. ing. Alex Doboli i drd. ing. Codruta Istin. De-a lungul celor 2 ani rmai din acest program de burse doctorale, voi viza participarea i publicarea la conferine internaionale recunoscute IEEE i indexate ISI, ct i trimiterea a cel puin un articol de jurnal. Pentru a atinge obiectivele majore ale tezei, pe cele dou direcii tiinifice principale, precum i urmrirea conturului propus pentru tez, o planificarea atent a activitilor de cercetare i dezvoltare trebuie s fie urmat. Obiectivele principale ale procesului de cercetare urmeaz capitole majore propuse n structura tezei. n plus, activitile legate de ntocmirea i prezentarea celor dou referate i finalizarea tezei sunt de asemenea incluse n cadrul sarcinilor majore ale procesului tiinific. Fig 2 prezint termenele i o durat estimat pentru ndeplinirea sarcinilor majore din cadrul proiectului de burs doctoral.
Fig 2. Activitile principale din cadrul proiectului de cercetare
Pentru a putea realiza aceste activiti principale, o detaliere i o respectare minuioas a unor termene stabilite trebuiesc urmate. n figura numrul 3 i figura numrul
- 36 -
4 sunt detaliate activitile specifice n vederea respectrii termenelor impuse pentru prezentarea celor dou referate.
Fig 3. Activiti specifice referatul numrul 1
Fig 4. Activiti specific referatului numrul 2
Perioada rmas din anul academic 2010-2011 va fi folosit pentru mbuntirea aplicaiei pe baza feedback-ului primit att n urma prezentrii celor dou referate, ct i n urma recenziei i prezentrii rezultatelor obinute la conferine, n vederea redactrii i susinerii tezei de doctorat.
- 37 -
Posibilele contribuii aduse n urma acestui proiect de cercetare: mbuntirea algoritmilor distribuii de predicie pentru aplicaii real time, cu direct impact n gestionarea traficului; - Determinarea unui model de simulare al traficului capabil de a ine cont de caracterul emergent al participanilor la trafic; - Designul unei arhitecturi de senzori wireless (platforma) pentru aplicarea algoritmului propus; Toate acestea vor avea ca scop final o aplicaie robust pentru gestionarea eficient a traficului rutier. -
- 38 -
6. Referine
[1] A. Downs, "Why Traffic Congestion Is Here to Stay. . . and Will Get Worse", ACCESS, nr. 25, pp. 19-25, 2004. [2] http://www.parliament.uk/commons/lib/research/rp98/rp98-016.pdf, 2009.
[3] http://www.motorauthority.com/blog/1023468_audi-starts-trial-of-fuel-savingtravolution-traffic-system, 2009. [4] http://www.sunatraffic.com.au/index.html, 2009.
[5] 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. [6] 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. [7] 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. 649657, March 2007. [8] Deflt University of Technology, Overtaking Assistant Could Help Prevent Many Traffic-related Deaths. ScienceDaily, http:// www.sciencedaily.com/releases/2008/02/080226092749.htm, February 2008. [9] U. Kiencke and L. Nielsen, Automotive control systems for engine, driveline and vehicle, Springer, Berlin, 2000. [10] 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. [11] John Jairo, Martinez, C. Canudas-de-Wit, A safe longitudinal control for adaptive cruise control and stop-and-go scenarios, IEEE Transactions on Control systems Technology, vol. 15, pp. 246-258, March 2007.
- 39 -
[12] 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. [13] 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. [14] Audi AG, Adaptive Cruise Control, http://www.audi.com/ audi/com/en2/tools/glossary/operation_comfort/adaptive_cruise_control.html, 2007. [15] 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. [16] 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. [17] 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. [18] W. Burghout, "Mesoscopic Simulation Models for Short-Term Prediction", Technical report, PREDIKT Project, October 2005. [19] 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. [20] A. Messmer and M. Papageorgiou, METANET: A macroscopic simulation program for motorway networks, Traffic Engineering and Control, no. 31, 466-470, 1990. [21] F. Wood, Particle Filtering a brief introductory tutorial, Gatsby, August 2007.
[22] 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. [23] R. Boel, M. Mihaylova, A particle filter for freeway traffic estimation, 43rd IEEE Conference on Decision and Control, Atlantis, Paradise Island, Bahamas, 2004.
- 40 -
[24] G. M. Hoffmann, C. J. Tomlin , Decentralized information-seeking control for mobile sensor networks, The 43rd IEEE Conference on Decision and Control, December 2004. [25] 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. [26] 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. [27] K. Choo, D.J. Fleet, People tracking using hybrid Monte Carlo filtering, IEEE International Conference on Computer Vision, Vancouver, pp. 321328, 2001. [28] A. Davison, Real-time simultaneous localization and mapping with a single camera, the IEEE Int. Conference on Computer Vision, ICCV03, 2003. [29] 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. [30] 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. [31] C. P. Robert, G. Casella, Monte Carlo statistical methods, Springer Verlag, Berlin, 1999. [32] C. Andrieu, PM Djuric, and A. Doucet, Model selection by Markov chain Monte Carlo computations, Signal Processing, pp. 1937, 2001. [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. [34] C. Kwok, D. Fox, M. Meila, Real-time Particle Filters, Proceedings of the IEEE, vol. 92, March 2004. [35] 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.
- 41 -
[36] L. Rabiner, "A tutorial on Hidden Markov Models and selected applications n speech recognition, n Proceedings of the IEEE vol. 77, no. 2, pp. 257-286, 1989. [37] 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. [38] 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. [39] 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. [40] M. Bolic, P. M. Djuric, and S. Hong, Resampling Algorithms for Particle Filters: A Computational Complexity Perspective, EURASIP Journal of Applied Signal Processing, Section 4.1, 2004.
- 42 -

Sisteme Distribuite de Senzori Pentru Gestionarea Robustă A Traficului Rutier

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sisteme Distribuite de Senzori Pentru Gestionarea Robustă A Traficului Rutier

Încărcat de

Drepturi de autor:

Formate disponibile

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Conductor tiinific: prof. dr. ing. Ionel JIAN

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

1. Motivaia alegerii temei. O scurt descriere

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

2. Prezentarea stadiului actual

Probleme specifice traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Metode de fluidizare a traficului

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

2.3. Analiza comportamentului conductorilor auto n trafic. Dispozitive de asisten n conducere

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Modelarea i simularea traficului

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

2.4.1. Nivelul Microscopic

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

ateptare / oprire : descrie comportamentul din intersecii, seciunile de jonciune a benzilor.

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

2.4.2. Nivelul Mezoscopic

2.4.3. Nivelul Macroscopic

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

3. Instrumente matematice de predicie

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Denumire Sequential Importance Sampling (SIS)

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Likelyhood Particle Filter

Densitatea de importan este dat de funcia de asemnare.

Tabelul 1. Scurt prezentare comparativ a variaiilor filtrului cu particule

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Tabelul 3 Modaliti de implementare a filtrelor cu particule

4. Rezultate preliminare. Posibiliti de abordare

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Fig 2. Pseudocod pentru algoritmul SIR generic

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Fig 2. Tranziii posibile ntre stri asociate

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Valoarea aproximat a distribuiei anterioare este dat de formula (4)

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Un pseudocod al algoritmului implementat este prezentat n continuare.

Fig 3. Algoritmul implementat n cadrul simulrilor

Rezultate preliminare. Experimente

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Fig 5. Variaia erorii n cazul unui tipar ce presupune o cretere a vitezei

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Fig. 6 Variaia erorii n cazul unui tipar ce presupune o vitez constant

Fig. 6. Variaia erorii n cazul unui tipar ce presupune o scdere a vitezei

Fig 9. Variaia erorii relative n cazul unui tipar de micare oscilatorie

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

Direcii posibile de investigare

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier

5. Structura propus a tezei

Sisteme distribuite de senzori pentru gestionarea robust a traficului rutier