Детальная информация

В ходе работы проанализированы современные подходы к адаптивному управлению светофорами на основе видеодетекции и машинного обучения, а также выполнен сравнительный обзор симуляторов и алгоритмов RL, что позволило определить их преимущества и ограничения. На основе сформулированных функциональных требований разработано виртуальное 3D-окружение перекрёстка Политехническая-Хлопина-Шателена в Unity, реализована симуляция транспортных и пешеходных потоков, система восьми виртуальных трекинг-камер с детектором YOLOv8 и сетевой API на ZeroMQ для передачи данных в RL-контроллер на базе PPO. Проведены функциональные, интеграционные и нагрузочные испытания, под-твердившие корректность обмена и снижение среднего времени ожидания на перекрёстке на 25 % по сравнению с фиксированным расписанием. Разработанный прототип пригоден для тестирования и сравнения алгоритмов адаптивного регулирования фаз, а его модульная архитектура позволяет масштабировать решение на сеть городских перекрёстков.

In the course of the work analyzed modern approaches to adaptive control of traffic lights based on video detection and machine learning, as well as a comparative review of simulators and RL algorithms, which allowed to determine their advantages and limitations. Based on the formulated functional requirements, a virtual 3D-environment of the intersection Polytechnicheskaya-Khlopina-Shatelen in Unity was developed, simulation of traffic and pedestrian flows, a system of eight virtual tracking cameras with YOLOv8 detector and a network API on ZeroMQ for data transfer to the PPO-based RL controller were implemented. Functional, integration and load tests have been performed, which confirmed the correctness of the exchange and reduction of the average waiting time at the intersection by 25% compared to the fixed schedule. The developed prototype is suitable for testing and comparing adaptive phase control algorithms, and its modular architecture allows scaling the solution to a net-work of urban intersections.

• УСЛОВНЫЕ ОБОЗНАЧЕНИЯ, ТЕРМИНЫ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1. Особенности трафика на уровне перекрёстка
    • 1.1.1. Характеристики автомобильных и пешеходных потоков
    • 1.1.2. Описание исследуемого перекрёстка
  • 1.2. Обзор существующих систем видеодетекции
    • 1.2.1. Классические методы компьютерного зрения
    • 1.2.2. Современные нейросетевые детекторы
    • 1.2.3. Обоснование выбора YOLOv8
  • 1.3. Обзор подходов к адаптивному управлению
    • 1.3.1. Традиционные алгоритмы
    • 1.3.2. Алгоритмы на базе машинного обучения
    • 1.3.3. Сравнительный анализ методов
  • 1.4. Средства симуляции и обоснование их использования
    • 1.4.1. Профессиональные симуляторы
  • 1.5. Техническое задание на разработку
    • 1.5.1. Постановка задачи
    • 1.5.2. Основание для разработки
    • 1.5.3. Назначение разработки
    • 1.5.4. Требования к программному обеспечению
    • 1.5.5. Требования к информационной и программной совместимости
    • 1.5.6. Стадии и этапы разработки
    • 1.5.7. Порядок контроля и приёмки
• 2. АНАЛИЗ И ВЫБОР ИНСТРУМЕНТОВ, ПРОЕКТИРОВАНИЕ АРХИТЕКТУРЫ
  • 2.1. Общие подходы к выбору средств разработки
    • 2.1.1. Критерии оценки инструментов
    • 2.1.2. Сравнение языков программирования и фреймворков
  • 2.2. Инструменты видеодетекции и их интеграция
    • 2.2.1. Обзор доступных детекторов
    • 2.2.2. Подробный анализ Ultralytics YOLOv8
    • 2.2.3. Организация взаимодействия Unity с YOLO
  • 2.3. Средства обучения с подкреплением и их оценка
    • 2.3.1. Обзор библиотек RL для управления трафиком
    • 2.3.2. Выбор алгоритма PPO
    • 2.3.3. Интеграция CityFlow и SUMO
  • 2.4. Средства организации коммуникации между модулями
    • 2.4.1. Протокол ZeroMQ
    • 2.4.2. Форматы данных и сериализации
  • 2.5. Проектирование архитектуры системы
    • 2.5.1. Общая схема взаимодействия
    • 2.5.2. Описание компонентов и их обязанности
    • 2.5.3. Диаграммы последовательностей
• 3. РАЗРАБОТКА ПРОГРАММНОГО СРЕДСТВА
  • 3.1. Подготовка симуляционной среды
    • 3.1.1. Создание сети перекрёстка в SUMO
    • 3.1.2. Конвертация в CityFlow
    • 3.1.3. Реализация Gym-обёртки для CityFlow
  • 3.2. Обучение RL-агента в CityFlow
    • 3.2.1. Обучение модели
  • 3.3. Реализация YOLO-сервера на Python
    • 3.3.1. Клиентская часть
    • 3.3.2. Серверная часть
    • 3.3.3. Характеристики для нейросети
    • 3.3.4. Экспериментальная проверка
    • 3.3.1. Тестирование детекции
  • 3.4. Реализация PPO-контроллера на Python
    • 3.4.1. Загрузка модели и окружение
    • 3.4.2. Логика формирования команд фаз
    • 3.4.3. Интеграция с ZeroMQ
  • 3.5. Интеграция с Unity
    • 3.5.1. Конфигурация виртуальных камер
    • 3.5.2. Реализация клиента ZeroMQ
    • 3.5.3. Основная логика
  • 3.6. Развёртывание системы и тестирование
    • 3.6.1. Порядок запуска сервисов
  • 3.7. Выводы по результатам реализации
• 4. Отладка, тестирование и оценка результатов
  • 4.1. Методика и сценарии тестирования
    • 4.1.1. Модульное тестирование отдельных компонентов
    • 4.1.2. Интеграционное тестирование конвейера
    • 4.1.3. Нагрузочное тестирование и измерение латентностей
  • 4.2. Сравнительный анализ результатов
    • 4.2.1. Сравнительный анализ фиксированной и RL-стратегий
  • 4.3. Итоговая оценка практической значимости и рекомендации
    • 4.3.1. Достоинства и ограничения решения
    • 4.3.2. Возможности расширения
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение 1
• Приложение 2
• Приложение 3
• Приложение 4
• Приложение 5
• Приложение 6
• Приложение 7
• Приложение 8
• Приложение 9
• Приложение 10
• Приложение 11
• Приложение 12