控制机设计..doc

基于多传感器信息融合的路口控制器设计 孔亚广1 郭斯羽2 1杭州电子科技大学，杭州，310037 ygkong@263.net 2湖南大学电气与信息工程学院，长沙，410082 摘 要： 本文针对交通数据含有大量噪声和不确定因素，单纯依靠某一类传感器进行数据采集无法获得准确数据.给出利用多传感器数据融合实现交通流数据采集的两层结构。在第一层，将来自不同信息源的数据组合成一个新的信息流；在第二层，则利用模糊神经网络来预测车辆排队长度。在此二层结构基础上，设计基于车辆排队长度的交叉口多相位模糊控制器，并通过某典型路口的采集数据验证该方法的可行性。 关键词： 多传感器数据融合 模糊神经网络 多相位模糊控制器 排队队长 Urban Traffic Controller Using Multi Sensors Data Fusion Kong YaguangP1P and Guo SiyuP2P P1PInstitute of Information and Control, Hangzhou Dianzi University, 310037,Hangzhou , China P2College of Electrics and Engineering, Hunan University,410082,ChangSha ,China Email:ygkong@263.net Abstract: There are massive noises and uncertainty factor in traffic data. It is difficult to obtain accurate data from one sensor. Three layers structure to realize the traffic data acquisition based on multi sensors data fusion is given in this article. In the first layer, data from different data source is integrated to an uniform data stream; In the second layer, fuzzy neural network is used to predict the queue length and traffic time. In the third layer, multiphase fuzzy controller for intersection based on queue length is designed. Feasibility of such method is proved by the simulation of one typical intersection. Keywords: Multi Sensors Data Fusion , Fuzzy Neural Network, Multi Phase Fuzzy Controller, Queue Length 引言 作为一个理想的城市区域自适应交通信号控制系统，人们希望它具有如下功能： 对交通条件的变化如偶发性拥挤、事件、事故及交通需求的增加等具有自适应性，也就是说系统能够在线优化配时方案并进行实时控制； 能够利用动态交通分配进行信号控制； 能够实现特定线路上的公交或特种车辆优先控制； 具有自学习功能，通过对已有控制动作的学习，逐步提高控制性能； 具有容错能力，即使检测或通信出现故障，系统也不至于失控。 目前已有大量学者将模糊控制技术[1-4]、神经网络技术[5-7]、遗传算法[8-9]等人工智能技术应用于智能交通控制领域，并取得了一定成果。 文献[1]提出了一种两级模糊控制方法。该方法能够实时响应交通需求，依靠安装在路口上游的环形线圈测量车流量并估计排队长度，以此来决定是否延长或终止现行的信号相位。在决策过程中采用了两级模糊控制方法：第一级用观测数据来估计现在的绿灯方向和红灯方向的交通强度；第二级由该交通强度来确定是否延长或终止现行的信号相位。文献[2，3]设计了一个多相位模糊控制器，其输入为当前通行车道上的车队长度及该长度与下一相位车道上车队长度的差；输出为当前通行相位的绿延时。模糊推理规则根据交通警察的经验知识建立。该模糊控制器已在实际路口应用，效果良好。文献[4]提出了一种递阶模糊控制方法进行干线协调控制，其基本思想是：用递阶结构和模糊理论来解决交通干线的实时协调控制问题。 文献[5]将神经网络与模糊控制技术用于前向动态规划(FDP)算法中，使其计算速度有了明显提高，该方法已经用在PRODYN系统中。