کنترل ترافیک با استفاده از زمانبندی هوشمند چراغ های راهنمایی رانندگی با تکنیک یادگیری تقویتی و پردازش بلادرنگ تصاویر دوربین های نظارتی

زمانبندی بهینه چراغ های راهنمایی و رانندگی از عوامل بسیار اثرگذار بر کاهش ترافیک شهری است، در اغلب سیستم های قدیمی از زمانبندی ثابت برای کنترل ترافیک استفاده می شد که این موضوع از نظر زمان و هزینه کارایی چندانی ندارد، روش های امروزی در حوزه مدیریت ترافیک مبتنی بر استفاده از هوش مصنوعی است. در این روش با استفاده از پردازش بلادرنگ تصاویر دوربین های نظارت تصویری به همراه یادگیری تقویتی، نتیجتا زمان بندی بهینه چراغ های راهنمایی و رانندگی بر اساس پارامترهای متعددی تعیین و اعمال می شود. در پژوهش از روش های یادگیری عمیق در تشخیص وسایل نقلیه از مدل YOLOv۹-C استفاده شده تا تخمینی از تعداد و دیگر ویژگی های وسایل نقلیه مانند سرعت داشته باشیم سپس با مدلسازی وسایل نقلیه در شبیه ساز محیط شهری در OpenAI gym از یادگیری تقویتی چندعامله و الگوریتم DQN Rainbow به منظور زمانبندی چراغ های ترافیکی تقاطع ها استفاده شده است، همچنین آموزش دوباره مدل بر روی تصاویر ماشین های ایرانی باعث افزایش دقت شده است. نتایج روش پیشنهادی، مدلی است که در تحلیل دوربین های نظارتی و یافتن زمان بندی بهینه به دقت های به طور قابل ملاحظه بهتری نسبت به پژوهش های قبلی رسیده است.

Keywords:

مدیریت هوشمند ترافیک , یادگیری تقویتی , پردازش تصویر , یادگیری عمیق , زمانبندی بهینه چراغ های ترافیکی