sisteme distribuite de senzori pentru gestionarea robustă a traficului rutier

Sisteme distribuite de senzori pentru

gestionarea robustă a traficului rutier

Florica Maria NAGHIU

Departamentul Calculatoare şi Tehnologia Informaţiei

Universitatea Politehnica din Timişoara

Conducător ştiinţific: prof. dr. ing. Ionel JIAN

2009

Sisteme distribuite de senzori pentru gestionarea robustă a traficului rutier

- 2 -


- 3 -

Cuprins

1. MOTIVAŢIA ALEGERII TEMEI. O SCURTĂ DESCRIERE .................................................. - 4 -

2. PREZENTAREA STADIULUI ACTUAL ................................................................................... - 5 -

2.1. PROBLEME SPECIFICE TRAFICULUI RUTIER ................................................................................. - 5 -

2.2. METODE DE FLUIDIZARE A TRAFICULUI ...................................................................................... - 6 -

2.3. ANALIZA COMPORTAMENTULUI CONDUCĂTORILOR AUTO ÎN TRAFIC. DISPOZITIVE DE ASISTENŢĂ

ÎN CONDUCERE ....................................................................................................................................... - 9 -

2.4. MODELAREA ŞI SIMULAREA TRAFICULUI .................................................................................. - 11 -

2.4.1. NIVELUL MICROSCOPIC ........................................................................................................ - 13 -

2.4.2. NIVELUL MEZOSCOPIC.......................................................................................................... - 15 -

2.4.3. NIVELUL MACROSCOPIC ....................................................................................................... - 15 -

3. INSTRUMENTE MATEMATICE DE PREDICŢIE ................................................................. - 16 -

4. REZULTATE PRELIMIARE. POSIBILITĂŢI DE ABORDARE ........................................... - 22 -

4.1. REZULTATE PRELIMINARE. EXPERIMENTE ................................................................................ - 28 -

4.2. CONCLUZII ................................................................................................................................ - 31 -

4.3. DIRECŢII POSIBILE DE INVESTIGARE .......................................................................................... - 31 -

5. STRUCTURA PROPUSĂ A TEZEI .......................................................................................... - 32 -

6. REFERINŢE ............................................................................................................................... - 39 -


- 4 -

1. Motivaţia alegerii temei. O scurtă descriere

Justificarea alegerii acestei teme de cercetare este una complexă. Deşi industria auto

este într-o continuă şi rapidă evoluţie, accidentele rutiere reprezintă încă o problemă

majoră fără o soluţie viabilă. În medie, în fiecare minut o persoană moare într-un accident

de circulaţie. În plus, pe baza statisticilor furnizate de Organizaţia pentru Cooperare şi

Dezvoltare Economică Paris, facturile din spitale, deteriorarea proprietăţilor, precum şi alte

costuri pot ajunge până la 1.3 la sută din produsul intern brut al omenirii. Având în vedere

doar Statele Unite, suma totală anuală se ridică la aproximativ 200 miliarde dolari SUA.

Şi, foarte important, pierderile care contează cel mai mult nu sunt capturate de aceste

statistici, şi nu pot fi evaluate în bani.

Un alt factor important a fost acela că această temă este una interdisciplinară,

combinând majoritar domeniul calculatoarelor şi tehnologiei informaţiei cu cel al

transporturilor, al matematicii şi fizicii. Având în vedere faptul că aceste domenii sunt

dinamice, sunt oferite numeroase posibilităţi de abordare, cât şi un vast orizont de

perfecţionare a unei metode specifice.

Scopul proiectului de cercetare este cel de a găsi o arhitectură optimă bazată pe

sisteme distribuite de senzori wireless combinată cu algoritmii adecvaţi, pentru detectarea

situaţiilor anormale (ambuteiaje, situaţii periculoase rezultate în urma unei manevre de

depăşire, întoarcere) din traficul rutier, având scopul de a fluidiza circulaţia şi asigura un

grad sporit de securitate pentru participanţi. Acest lucru se bazează pe extragerea în timp

real a unui model matematic dinamic, capabil să reflecte situaţia reală la acel moment de

timp.

În scopul determinării unui algoritm optim şi a determinării unei arhitecturi optime

pentru reţeaua de senzori, în partea de început a activităţii de cercetare mă voi axa pe

efectuarea a numeroase experimente bazate pe simulări, şi pe determinarea unui model

adecvat descrierii traficului rutier.


- 5 -

2. Prezentarea stadiului actual

2.1. Probleme specifice traficului rutier

Nevoia de mobilitate şi de viteza specifică secolului XXI a dus la dezvoltarea

mijloacelor de transport dar şi la apariţia unor probleme specifice. Dintre acestea cele mai

stringente sunt cele legate de securitatea participanţilor la trafic, cele legate de apariţia

congestiilor cât şi cele legate de mediul înconjurător.

În general congestiile apar la anumite ore, considerate ca fiind de vârf, ore în care

un număr ridicat de participanţi folosesc acelaşi segment de drum sau se îndreaptă spre

aceeaşi destinaţie. Acest lucru se datorează în principal faptului că infrastructura

segmentului respectiv de drum nu suportă un volum mare de participanţi simultan la trafic.

Alte cauze ale apariţiei congestiilor sunt aşa cum se descrie în [1] : uneltele de taxare la

intrarea sau ieşirea de pe anumite segmente de drum la care se percepe o taxă, capacitatea

redusă a segmentului de drum de a gestiona un volum mare de vehicule, o capacitate

insuficientă pentru mijloacele de transport în comun. La aceste cauze aş adăuga şi

următoarele: condiţii meteo nefavorabile, care duc la scăderea vitezei şi astfel la o golire

mai înceată a segmentului respectiv, lucrările de reparaţie pe anumite segmente de drum,

ceea ce duce la îngustarea sau blocarea unei anumite porţiuni, apariţia unui eveniment

neprevăzut ( cum ar fi de exemplu un accident ).

Această problematică a traficului rutier este una fără frontiere, şi care afectează

majoritatea statelor. Rezultatele obţinute în urma unei cercetări pentru stabilirea cauzelor şi

efectelor produse în urma congestiilor rutiere, atât din punct de vedere al infrastructurii

rutiere, cât şi economice şi ecologice, pot fi consultate în documentul făcut public de

camera comunelor a Marii Britanii [2] . Deşi cifrele nu sunt de ultimă oră, documentul

datând din 1998, poate totuşi să ilustreze costurile şi nevoia stringentă de soluţionare a

problemei.

Pe post de soluţii primare sunt propuse [1] următoarele acţiuni: construirea mai

multor drumuri, unelte pentru taxare mai performante, construirea unor rampe pentru acces

gradual pe autostradă, construirea de sisteme inteligente pentru managementul traficului,

construirea unor benzi cu un grad sporit de ocupare, viteza de reacţie sporită în cazul

accidentelor sau a incidentelor rutiere, luarea în considerare a noilor zone ocupate şi


- 6 -

creşterea densităţii pe segmentele corespunzătoare de drum, oferirea unei autorităţi sporite

departamentelor de transport regionale.

Deoarece majoritatea soluţiilor primare propuse în articolul menţionat anterior

vizează domeniul transporturilor şi cel economico-politic, mă voi axa în continuare pe

soluţia care împachetează direct domeniul ingineriei calculatoarelor, şi anume descrierea

sistemelor inteligente pentru managementul traficului, teza propusă prin această lucrare

dorindu-se să aducă îmbunătăţiri în acest sens.

2.2. Metode de fluidizare a traficului

Problematica traficului rutier este una foarte stringentă, lucru demonstrat atât de

numeroasele articole ştiinţifice publicate în domeniu transporturilor, şi nu numai, cât şi al

realizărilor din industrie. În acest sens industria automotive prin marile concerne

constructoare de maşini a transpus în practică rodul cercetărilor ştiinţifice prin numeroase

realizări care au dus la facilitarea şi fluidizarea traficului rutier, creşterea nivelului de

siguranţă a participanţilor, şi nu în ultimul rând au avut un impact favorabil asupra

mediului înconjurător.

În continuare voi prezenta succint câteva dintre aceste realizări. În primul rând voi

descrie soluţiile deja existente pe piaţă şi care s-au dovedit a fi eficiente. Una dintre

acestea este reprezentată de transmiterea către participanţii din trafic a informaţiilor utile.

Una din cele mai uzuale metode de a informa participanţii la trafic despre

posibilele incidente apărute, sau despre condiţiile meteo este reprezentată de rezervarea

unei anumite frecvenţe radio pe care sunt transmise informaţiile, fie din timp în timp cu

scopul de reamintire sau actualizare a mai vechilor informaţii, fie în scopul de a atrage

atenţia asupra unui eveniment sau a unei condiţii nou apărute. O altă posibilă formă de

punere în practică a tehnicii bazate pe mesaje este cea prin panourile de informare.

Dezavantajul acestei metode este bazat pe faptul că doar prezintă un incident sau o situaţie

deja creată, fără a încerca însă să anticipeze situaţia.

Având scopul de a fluidiza traficul rutier, de a reduce timpul petrecut în

aglomeraţie, dar şi cu o intenţie declarată de ecologizare, unul din cei mai mari producători

de maşini, Audi, a implementat la nivel urban, Travolution, un sistem capabil să comunice

şoferului viteza cu care ar trebui să se deplaseze astfel încât la următoarea intersecţie să

prindă semaforul pe verde, şi în acest mod să reducă ambuteiajele create în intersecţii. Din


- 7 -

păcate acest sistem nu este răspândit la scară industrială, astfel încât să poată fi utilizat

pentru orice marcă de autovehicul, fiind aplicate doar pe câteva bucăţi din modelele A5 şi

A6 ale producătorului, cât şi în alte locaţii în afara oraşului Ingolstadt. Rolul acestui

proiect a fost acela ca pe lângă operaţiunea frustrantă şi consumatoare de combustibil, de a

opri la semafor, traficul să fie optimizat şi de asemenea să se reducă emisia de CO2.

Sistemul se bazează pe module de comunicaţii integrate în fiecare semafor, şi care sunt

capabile de a trimite mesaje spre maşinile din vecinătatea lor, alertându-le de timpul rămas

până la următoarea fază verde. Maşina de la bord este capabilă de a calcula viteza pe care

conducătorul auto trebuie să o menţină, în scopul de a trece prin lumina verde în timpul

acestei faze, şi afişează acest lucru prin intermediu ecranului cu interfaţă multimedia.

Sistemul este alcătuit dintr-o reţea de 46 semafoare „inteligente” ce a fost instalată în

centrul oraşului şi din software-ul capabil de optimizare treptată. Scopul acestuia este acela

de a reduce opririle la minim, de reducere a consumului de combustibil şi a poluării în

acest proces. În vederea evaluării proiectului încă 20 autoturisme şi 50 de instalaţii de

lumină urmează să fie încorporate. [3]

Un alt mod de informare al participanţilor la trafic, este Suna, produs şi

comercializat în special în Australia [4]. Suna GPS Trafic Updates furniză în timp real

informaţii despre trafic direct sistemului de navigare. De asemenea acest sistem este

compatibil cu toate mărcile lidere din domeniu GPS. Sistemul a fost conceput ca, în timp

real, să determine condiţiile de drum şi să informeze sistemul de navigaţie de posibilele

probleme, în perspectivă, şi să recomande rute care ar reduce congestia. Din păcate şi acest

sistem are o întindere restrânsă, fiind disponibil în prezent, doar la Melbourne, Sydney,

Brisbane, Gold Coast, Adelaide şi Perth. Suna GPS Trafic se actualizează continuu, bazat

pe monitorizarea traficului şi condiţiilor rutiere aducând informaţii detaliate despre

incidente, congestionarea traficului în întreaga zonă metropolitană, sau a zonelor care ar

putea afecta călătoria. Sistemul este bazat pe o combinaţie de senzori şi camere video

pentru a monitoriza continuu nivelele de congestie pe o suprafaţă de mii de kilometri de

drumuri locale, naţionale, şi autostrăzi. În plus, avertismente despre incidente majore (cum

ar fi accidentele), importante lucrări de drumuri, condiţiile meteorologice severe din punct

de vedere rutier, precum şi evenimente speciale cu posibil impact în trafic sunt transmise

periodic. În funcţie de caracteristicile dispozitivului GPS deţinut, Suna se integrează

perfect cu dispozitivul iar o dată activat, acesta va beneficia de un număr de caracteristici

noi: mesaje audio de avertizare cu privire la schimbarea condiţiilor meteo, afişarea hărţii

cât şi a locaţiei şi natura problemelor de trafic în special cele care afectează traseul. De

asemenea sistemul este capabil să estimeze întârzierile posibile, iar în acest caz să

calculeze şi să recomande o rută auxiliară. [4]


- 8 -

În momentul de faţă nu există un sistem care să prezică în timp real un posibil

accident rutier rezultat dintr-o manevră de depăşire (există sisteme pre-crash care

acţionează măsuri de siguranţă cu aproximativ 1-2s înainte de un posibil accident) sau un

posibil ambuteiaj.

Urmărirea şi determinarea poziţiei corecte a unei maşini a devenit o problemă

importantă pentru un management robust al traficului. Prin urmare, numeroase sisteme

inteligente de supraveghere şi de transport au fost dezvoltate în ultimii ani. Un aspect

important al acestei activităţi este de a obţine rezultatele corecte prin utilizarea unor radare

şi a unor dispozitive low-cost şi trimiterea doar a câtorva cadre pe minut, având astfel la

îndemână informaţii incomplete şi afectate de zgomote. Aceste sisteme necesită de obicei

informaţii precise cu privire la situaţia actuală a traficului. Unele sisteme extrag date şi

estimează fluxul de trafic, pe baza informaţiilor de la senzori, aflaţi într-o vecinătate bine

definită. În scopul de a filtra zgomotele şi de a folosi aceste măsurători distorsionate sau

incomplete pentru a calcula o stare optimă, o posibilă soluţie este să se folosească metode

de filtrare adecvate, de tip stocastic.

Aceste dispozitive de supraveghere a traficului sunt încorporate în sisteme de

transport inteligent. Utilitatea acestor sisteme poate fi observată în principal legat de

probleme economice şi sociale de transport, în cea mai mare parte a ţărilor industrializate.

Rolul lor esenţial este de detecţie a incidentelor, de gestionare a traficului, şi de colectare a

timpilor de călătorie. Mai exact acestea pot îmbunătăţi gestionarea traficului în reţele

congestionate. Acest lucru necesită o înţelegere clară a funcţionarii fluxului de trafic şi a

metodelor de evitarea congestionării segmentelor. Alte probleme sunt de a stabili ora şi

locaţia unde are loc un blocaj în trafic şi de a urmării modul în care congestia se propagă

prin interiorul reţelei. În acest scop un raport cu starea traficului şi un set de parametri sunt

necesari. În cele mai multe cazuri de determinare a stării traficului, cum ar fi cu ajutorul

densităţii, de obicei, nu sunt disponibile direct din măsurători în orice punct al reţelei

rutiere. [5]

Există două tipuri de bază ale sistemelor de supraveghere a traficului: pe partea

carosabilă a drumului şi cele aşezate pe vehicule. Dintre cele mai populare amplasate pe

drum sunt reprezentate de către buclele magnetice, detectoarele laser şi camerele video. Un

detector bazat pe o buclă magnetică este reprezentat de o sârmă îngropată în suprafaţa

drumului şi alimentată cu un curent continuu. În cazul în care un vehicul trece pe deasupra

acesteia induce o creştere de curent prin buclă. Aceste schimbări de intensitate pot fi

măsurate şi luate în considerare în vederea obţinerii de informaţii despre densitatea

fluxului de trafic.


- 9 -

Detectoarele laser, nu necesită instalare în asfalt, şi, prin urmare, ele pot înlocui cu

succes detectoarele bazate pe bucle magnetice şi, de asemenea, clasicele dispozitive de

supraveghere video, mai ales în timpul nopţii sau în zonele cu un nivel scăzut de

vizibilitate.

Convenţionalele dispozitive de supraveghere video necesită o bună vizibilitate. În condiţii

de ceaţă deasă, zăpadă, ploaie sau de particule de fum sau praf în aer, şi în momentele de

iluminare naturală scăzută, aceste metode pot fi inadecvate. Totuşi, tocmai în aceste

condiţii de vizibilitate scăzută există o nevoie mai mare de încredere în monitorizarea

traficului. În aceste condiţii, cel mai probabil candidat îl reprezintă detectorul radar bazat

pe infraroşu şi care prezintă numeroase avantaje mai ales în condiţii de întuneric şi de

ceaţă. Cu toate acestea, dispozitivele mai sus menţionate nu intră în categoria de aparat cu

un cost redus.

Din categoria dispozitivelor care nu sunt amplasate în infrastructura rutieră avem

de-a face cu cele montate pe vehicule de supraveghere. Aceste sisteme implică vehicule

sondă echipate cu dispozitive de urmărire, cum ar fi transponderele, care să permită

vehiculelor care le urmează să fie urmărite de către facilităţile unui computer central.

Din cauza diferiţilor factori cum ar fi costul, mediu, infrastructura de proiectare şi

de amplasament, dispozitivele de supraveghere transmit în regulat date care sunt însoţite

de zgomote şi care pot fi, de asemenea, corupte sau nesigure.

2.3. Analiza comportamentului conducătorilor auto în trafic.

Dispozitive de asistenţă în conducere

Sistemele de asistenţă în conducere sunt sisteme inteligente, ce asigură şoferului

suport în efectuarea uneia sau mai multor manevre aferente acţiunii de a conduce un

vehicul. Asistenţa în conducere trebuie să fie efectuată de către sisteme robuste, deoarece

acestea sunt încorporate şi utilizate în maşini care sunt conduse pe drumurile publice. Prin

design, drumurile au un contrast ridicat, previzibil în schemă şi sunt guvernate de reguli

simple. De asemenea, sistemele de asistenţă în conducere trebuie să fie acţionabile şi

operabile în toate condiţiile rutiere. Aceste sub-sisteme suport pot fi adaptate pentru a

rezolva sarcini bine definite, care să încerce să sprijine, şi nu să înlocuiască un şofer.

Indiferent că este vorba de un co-pilot uman sau de un sistem automat, acesta necesită

cunoştinţe de: viteză, acceleraţie, direcţie, poziţie pe şosea, direcţia de deplasare, de

localizare a vehiculelor şi a potenţialelor obstacole, a priori de un model de dinamică a

vehiculului, chiar şi de cunoaştere a comportamentului şoferului vehiculului.


- 10 -

Asistentul în conducere, de asemenea, trebuie să fie capabil de a delibera asupra

unor acţiuni posibile pe baza cunoştinţelor anterioare şi a consecinţelor posibile în timp,

sau prin comunicare cu şoferul sau chiar de a prelua în mod secundar controlul vehiculului

[6] .

Luând în considerare importanţa pe care o au aceste sisteme de asistenţă, rolul

îndeplinit şi condiţia de timp real, interfaţa om-maşină trebuie să fie foarte atent aleasă.

Acesta trebuie să informeze conducătorul auto în timp util şi la momentul potrivit asupra

deciziei la care a ajuns. Pe de altă parte, trebuie să nu inducă în eroare sau să deranjeze

şoferul atunci când dă un răspuns. O interfaţă cât mai umană joacă, probabil, cel mai

important rol în acest aparat de succes, de aceea ea trebuie să fie cât mai uşor de utilizat şi

cât mai sugestivă posibil. Deosebirile între situaţiile în cazul în care conducătorul auto vrea

să depăşească şi cea în care la rândul său este depăşit, sau în care această acţiune nu este

posibilă trebuie să fie în mod clar evidente.

Sistemele de asistenţă în conducere sunt privite ca un instrument promiţător pentru

a îmbunătăţi siguranţa traficului, confortul şoferului, precum şi creşterea capacităţii de

transport a drumurilor, şi de a limita consumul de energie. Ele sunt definite ca fiind

sisteme de conducere în care sarcina este parţial sau în întregime asumată de către un

sistem automat.

Una dintre cele mai importante şi riscante acţiuni ale unui conducător auto, o

reprezintă manevra de depăşire. O scurtă analiză a acţiunii de depăşire identifică două

situaţii. Condiţiile de depăşire sunt puţin diferite în cazul autostrăzilor, în comparaţie cu

drumurile naţionale. Primul caz presupune numai vehicule care rulează în aceeaşi direcţie,

pe ambele benzi implicate, şi astfel un flux unidirecţional al traficului. Pe de altă parte, pe

drumurile naţionale situaţia comună implică două benzi, şi astfel un flux bidirecţional al

traficului. Un nou model de depăşire pe şosea este propus în [7]. Modelul consideră ca

factori importanţi timpul reactiv de întârziere al vehicul pentru acţiunile de accelerare,

decelerare, şi de a schimba banda, în condiţii de siguranţă şi la distanţă faţă de maşina

următoare. Timpul necesar pentru depăşire, pierderea de timp în procedura de depăşire şi

evoluţia spaţiu-timp sunt numeric investigate folosind modelul mai sus amintit.

Cercetătoarea Geertje Hegeman a proiectat un sistem de avertizare (asistent de conducere),

care afişează o lumină verde, când acesta este în siguranţă pentru a efectua o manevră de a

depăşi un alt vehicul. Dacă nu prezintă siguranţă acţiunea, o lumină roşie este afişată. Ea a

testat acest lucru într-un simulator de conducere pe un drum cu două benzi. O concluzie

este că asistentul în conducere conferă şoferului un sentiment de uşurinţă în efectuarea

manevrei de depăşire şi pot avea un efect pozitiv asupra siguranţei şi eficienţei rutiere.

Hegeman a folosit în cadrul proiectului său observaţiile comportamentului manevrei de

depăşire pe drumul N305 între Almere şi Zeewolde în Ţările de Jos. În urma acestor


- 11 -

observaţii a concluzionat că o manevră de depăşire poate să ia în medie circa opt secunde.

Zece procente din cazuri au mai puţin de trei secunde între replierea pe banda de mers şi

întâlnirea 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 şase

subproiecte ale programului de cercetare aflat sub conducere olandeză, BAMADAS

(Behavioral Analysis Modeling for the Design and Implementation of Advanced Driver

Assistance Systems). BAMADAS intenţionează să îmbunătăţească cunoştinţele cu privire

la comportamentul şoferilor de vehicule rutiere, în interacţiune cu ADAS. Pentru acest

proiect ce încorporează şi sisteme avansate de navigaţie, este dezvoltat în colaborare cu

BMW. Varianta comercială de ADAS este aşteptată pe piaţă în următorii 10 ani.

2.4. Modelarea şi simularea traficului

Teoriile legate de modelarea fluxului traficului încearcă să descrie într-un mod

precis, bazat pe descrieri matematice interacţiunile între vehicule, şoferi şi infrastructură.

Infrastructura constă în sistemul de drumuri şi toate elementele sale operaţionale, inclusiv

dispozitivele de control, indicatoare şi marcaje. Aceste teorii sunt un element indispensabil

al tuturor modelelor de trafic şi instrumentelor de analiză care sunt utilizate la proiectarea

şi exploatarea străzilor şi autostrăzilor, cât şi la comportamentul în diverse situaţii a

participanţilor la trafic.

Studiu ştiinţific al fluxului de trafic îşi are începuturile sale în anii 1930, pornind de

la aplicarea teoriei probabilităţilor în descrierea traficului rutier şi, cu studii de pionierat

efectuate de Bruce D. Greenshields la Yale, studii pe diverse modele privind volumul de

vehicule, viteza şi investigarea performanţei de trafic la intersecţii. După al doilea război

mondial, a avut loc o creştere a utilizării de automobile şi o extindere a sistemului de

autostrăzi, lucru ce nu a fost de asemenea reflectat printr-o creştere a studiului

caracteristicilor de trafic, precum şi de o dezvoltare a teoriilor asupra fluxului de trafic.

Modelarea comportamentului şoferilor reprezintă o activitate complexă şi intens

cercetată în ultima perioadă. Conducerea vehiculelor implică activităţi cognitive pentru

numeroase sub-sarcini, cum ar fi: a schimbarea benzii, adaptarea vitezei la condiţiile de pe

drumuri cât şi la reglementările juridice, evitarea obstacolelor, alegerea corectă a traseului

şi aşa mai departe. Pentru acestea numeroase metode au fost dezvoltate de-a lungul anilor.

Cele mai explorate metode sunt arhitecturile cognitive [9,10], şi interfeţele cu sistemele de

asistenţă în conducere, cum ar fi “adaptive speed cruise control” [11]. În aceasta ultimă

referinţă observaţiile empirice despre diferite scenarii din activitatea de conducere auto

sunt, de asemenea, amestecate cu cercetarea ştiinţifică. La nivel microscopic,


- 12 -

comportamentul şoferului este modelat în [12], cu un puternic accent pe modelarea

acceleraţiei în diverse condiţii.

Modelele Markov Ascunse, ca o posibilă abordare în acest domeniu sunt prezentate

în [13]. Autorii au modelat intenţia şoferului de a schimba benzile şi cea de depăşire cu

ajutorul instrumentelor Markov. De asemenea, ei au dovedit că această abordare ar putea

duce la unele îmbunătăţiri în domeniul modelării comportamentului şoferilor.

Unele modele de comportament tipic pentru conducătorii auto pot fi uşor de

reprodus, cu ajutorul sistemelor de asistenţă în conducere. Prin utilizarea acestor

dispozitive, cum ar fi dispozitivul de control adaptabil al vitezei de croazieră [14], este

garantată o adaptare a vitezei vehiculului la mediul de trafic. În cazul folosirii acestui

dispozitiv, cu ajutorul sistemului radar ataşat în partea din faţă a vehiculului este detectat

dacă un vehicul mai lent se află în mişcare în faţă. În cazul în care un vehicul mai lent în

mişcare este detectat în faţă, sistemul va încetini vehiculul şi va păstra o distanţă de

siguranţă, între vehicul şi vehicul dinainte. În cazul în care sistemul detectează faptul că

vehiculul respectiv nu mai este în calea vehiculului, sistemul va accelera vehicul pentru a

seta din nou viteza de croazieră. Această operaţiune permite vehiculului să încetinească şi

să accelereze în mod autonom în trafic fără nici o intervenţie din partea conducătorului

auto.

Metoda prin care viteza vehiculului este controlată este prin intermediul controlului

motorului, al pedalei de acceleraţie şi operarea limitată a frânei [15]. Pe baza acestor

ipoteze, putem determina în sisteme dinamice complexe, cum ar fi mişcarea autoturismelor

că există anumite acţiuni elementare efectuate de aceste obiecte şi care pot fi exprimate

printr-o schimbare locală a parametrilor, măsurată într-o perioadă înregistrabilă. Acestea

sunt în mod normal percepute ca o schimbare foarte mică, dar semnificativă a unor valori

primite de la senzori, cum ar fi poziţia, distanţa sau viteza [16].

Sarcina cea mai frecventă în procesul de conducere poate fi asociată cu menţinerea

unei viteze aproximativ constante a vehiculului. Acest lucru este în mod normal asociat cu

benzi de circulaţie libere şi, uneori, cu un dispozitiv de croazieră de control. O limită a

vitezei este impusă şi menţinerea ei, de asemenea în timpul procesului de conducere.

Scenariul suferă modificări, în cazul urmăririi unui vehicul. În scopul de a menţine o

distanţă de proximitate sigură între vehicule, viteza trebuie să fie adaptată şi, astfel,

scăzută. În cazul în care conducătorul auto decide să depăşească o maşină, o creştere de

viteză va fi simţită. În funcţie de mediul înconjurător, după o manevră de depăşire există

trei situaţii posibile, continuarea creşterii vitezei până la o valoare calibrată, frânare netedă

sau mişcare constantă. Mai multe detalii despre procedura de depăşire şi de scenariile

complexe posibile pot fi consultate în [17].


- 13 -

Alte scenarii posibile sunt reprezentate de mişcări de genul pornire-oprire şi

mişcarea oscilatorie. Cu toate acestea, aceste comportamente sunt influenţate de gradul de

congestie al traficului rutier. Într-o situaţie de blocaj în trafic, răspunsul natural este

reprezentat de un scenariu pornire – oprire, iar în unele segmente de drum, cu densităţi

diferite un scenariu de mişcare oscilatorie este plauzibil.

Traficul rutier aferent unui segment de drum reprezintă un sistem complex, alcătuit

din vehiculele participante. Pentru a înţelege şi analiza comportamentul conducătorilor

auto, şi pentru a realiza o predicţie pe termen scurt a acţiunilor acestora, o modelare şi

simulare a sistemului este necesară. În funcţie de numărul detaliilor prezente în aceste

modele, acestea pot fi împărţite în următoarele nivele: macroscopice, mezoscopice şi

microscopice [18].

Un model de simulare al traficului reprezintă schimbările dinamice, în timp, ale

stărilor traficului. Nivelul macroscopic de modelare a traficului poate fi asemănat cu apa

care traversează o conductă, în cadrul unui model mezoscopic sunt reprezentate vehiculele

individuale cu un comportament agregat, iar în cazul microscopic comportamentul şi

detaliile individuale sunt punctele centrale ale modelului.

O altă clasificare posibilă a modelelor traficului este cea stocastică, deterministă, şi

cea orientată pe evenimente. Modelele stocastice surprind variaţia în timpul de reacţie,

procesul de a ajunge la destinaţie, alegerea rutei. În urma fiecărei simulări rezultatele

diferă, datorită influenţei variate a diverşilor factori, ceea ce duce la necesitatea de a salva

şi replica rezultatele. În cazul acestor modele, stările următoare nu pot fi determinate cu o

mare precizie.

Modele deterministe au la bază legi fizice stabile, iar stările următoare pot fi

determinate cu mare precizie. Acest tip de model este impropriu pentru traficul rutier.

În cazul modelelor bazate pe evenimente sunt calculate schimbările sistemului sub

influenţa unor factori sau declanşării unui anumit eveniment.

2.4.1. Nivelul Microscopic

Modele microscopice de simulare a traficului diferă semnificativ faţă de modelele

convenţionale „agregate” de trafic. Acest lucru se datorează faptului că în loc de a modela

fluxurile de trafic, modelul microscopic simulează comportamentul tuturor vehiculelor

individuale din reţea. Aceste modele permit luarea în considerare a unor fenomene

importante din trafic cum ar fi comportamentul conducătorilor auto pe drumurile


- 14 -

aglomerate până aproape de capacitatea lor maximă, interacţiunea dintre vehiculele la

intersecţii complexe, interacţiunea dintre pietoni şi trafic şi între diferite categorii de

vehicule. În cadrul modelelor microscopice, sunt surprinse si câteva tipare

comportamentale, cum ar fi:

- „urmărirea unei maşini considerate lider” descrie acceleraţia, deceleraţia şi

păstrarea unei distanţe de siguranţă între maşini; modelele de acest tip sunt

stimul – răspuns, distanţa de siguranţă;

- „schimbarea benzilor”: decizia de a schimba benzile, distanţele necesare,

acţiunea de depăşire;

- „ aşteptare / oprire” : descrie comportamentul din intersecţii, secţiunile de

joncţiune a benzilor.

În cazul folosirii unui model microscopic avantajele se reflectă în determinarea

unor incidente, alegerea rutelor şi răspunsul indivizilor la diverşi stimuli.

Cele mai populare modele la nivel microscopic sunt reprezentate de către Cellular

Automata şi Sistemele Cognitive MultiAgent.

Cellular Automata, sau un robot celular este o colecţie de celule „colorate”

aparţinând unei reţele ce are o formă precisă, şi care evoluează printr-o serie de paşi

discreţi de timp, în conformitate cu un set de reguli bazat pe starea celulelor vecine.

Regulile sunt apoi aplicate iterativ, ori de cate ori se doreşte. Cellular Automata se poate

prezenta într-o varietate de forme şi versiuni. Una dintre cele mai fundamentale proprietăţi

a unui astfel de robot mobil este tipul de reţea la care este calculat. Cel mai simplu tip de

„reţea” este cel unidimensional, având la bază doar o linie. Variaţiunile pot include: două

dimensiuni, forme pătratice, triunghiulare, sau hexagonale ale reţelelor. Cellular Automata

pot fi, de asemenea, construite pe reţelele carteziene de numere, având dimensiuni

arbitrare, numerele întregi fiind cea mai comună alegere.

Numărul de culori (sau stări distincte) k pe care un robot celular trebuie să şi le

asume trebuiesc specificate. Acest număr este de obicei un număr întreg, cu k = 2 (binar)

fiind cea mai simplă alegere. Pentru un fişier binar automat, culoare 0 este numită „alb”,

iar culoarea 1 este numită „negru”. Cu toate acestea, celulare automata având un continuu

gama de valori posibile pot fi, de asemenea luate în considerare. În plus faţă de reţeaua

aferentă robotului mobil, culorile sale şi regulile de deplasare, cartierul în care celulele se

pot afecta reciproc trebuie să se precizeze, de asemenea. Cea mai simplă soluţie este „cel

mai apropiat vecin”, în care numai celulele învecinate direct unei anumite celule pot fi

afectate, la fiecare pas de timp.


- 15 -

Caracteristicile principale ale unei simulări microscopice sunt reprezentate de

următoarele aspecte: [16]

Necesită o reprezentare detaliată a geometriei reţelei rutiere;

Emulează fluxurile de trafic individuale ale autovehiculelor cu diferite caracteristici şi

le grupează în mai multe clase;

Actualizarea poziţiilor vehiculelor din trafic, folosind reguli şi modele, cum ar fi cel

al urmăririi unui vehicul considerat ca fiind lider, reguli de schimbarea benzilor, şi

inclusiv componente stocastice;

Reprezintă în mod explicit strategiile de control.

2.4.2. Nivelul Mezoscopic

Modelele mezoscopice întrepătrund atât nivelul macroscopic prin agregarea

componentelor cât şi interacţiunile individuale ale nivelului microscopic. Aceste modele

descriu participanţii la trafic cu un nivel ridicat de detalii, dar şi comportamentul şi

interactiunea sunt descrise cu un nivel mai scăzut de detalii.

Caracteristicile principale ale unei simulări microscopice sunt reprezentate de

următoarele aspecte [19]:

Utilizează un nod simplificat, sub forma unui link, ca modalitate de reprezentare a

reţelei;

Oferă o descriere aproximativă a traiectoriei vehiculelor şi a legăturilor dintre ele sub

forma unor link-uri;

Modele de legătură dinamică, şi care împart un link în două părţi: partea de rulare, în

care vehiculele nu sunt încă întârziate şi aşezate în coadă în aval de nod, şi partea de

coadă efectivă, în care nodurile sunt modelate de către

Vehicule care călătoresc împreună în timp, dependent de trasee, de la origini până la

destinaţii.

2.4.3. Nivelul Macroscopic


- 16 -

Nivelul macroscopic de modelare prezintă segmentul de trafic in discuţie sub forma

unui sistem constituit din agregarea participanţilor [18]. Nivelul macroscopic de simulare

a traficului are la bază un model, care discută despre relaţiile dintre principalii parametrii

ai fluxului de trafic: viteza, debitul şi densitatea. Variabilele care reflectă modelul

macroscopic de trafic pot fi calculate pentru fiecare locaţie, în orice moment, în timp şi

pentru fiecare interval de măsurare. În practică, de cele mai multe ori se folosesc

detectoare de trafic care măsoară debitul şi viteza peste un anumit interval de timp. În

cazul în care se doreşte să se calculeze viteza medie pentru un interval de timp, trebuiesc

vitezele armonice individuale. Atunci când intervale de timp depăşesc durata de cinci

minute, anumite caracteristici dinamice sunt pierdute.

În mod curent pentru determinarea unui model matematic la nivel macroscopic, se

fac analogii cu fenomene şi legi fizice cunoscute atât din teoria cinetică a gazelor cât şi din

dinamica fluidelor, obţinându-se ecuaţii diferenţiale care vor descrie relaţiile din trafic

[18]. La nivel de simulare şi modelare macrscopică a traficului, modelul METANET [20]

reprezintă referinţa pentru mulţi cercetători. El se bazează pe anumite similitudini cu legea

cinetică a gazelor (are la bază ecuaţii care să coreleze densitatea traficului cu viteza de

rulare).

Modelul macroscopic prezintă un avantaj prin faptul că datele necesare pentru

astfel de modele cum ar fi densitatea de trafic şi vitezele se afla la acelaşi nivel de agregare

ca datele furnizate prin măsurătorile primite de la dispozitivele de agregare [18]. În timp

ce modele macroscopice au abilitatea de a simula reţele mari în mod eficient, în general le

lipsesc detaliile individuale. Din această cauză modelarea răspunsului la diverse incidente

este mai greu de realizat.

3. Instrumente matematice de predicţie

Supravegherea traficului reprezintă o activitate complexă din cauza non-liniarităţii

fluxului de vehicule şi a numeroaselor interacţiuni dintre ele şi, de asemenea, a

complexităţii computaţionale şi a necesităţii timpului real de reacţie. Multe metode de

supraveghere video se bazează pe tehnicile predictive folosite pentru estimarea unei stări

necunoscute dinamice şi care, de obicei, provin dintr-o colecţie de observaţii secvenţiale şi

non-liniar, afectate de zgomote. Abordările stocastice adesea se reduc la o problemă de

estimare, o estimare a stării pentru o perioadă de timp a unei serii de stări spaţiu-model.


- 17 -

Cele mai multe tehnici de investigaţii în cazul non-liniar / non-Gaussian modele sunt

bazate pe metoda Monte Carlo, şi sunt cunoscute sub numele de filtre cu particule.

Termenul de particule desemnează densitatea de probabilitate aplicabilă pentru

orice model de spaţiu şi stare şi, astfel, reprezentând o generalizare a tradiţionalului filtru

Kalman. Un pas important în abordările estimative Bayesiene dinamice este de a construi

funcţia de probabilitate a densităţii posterioară PDF [21].

Pentru a analiza şi a face deducţie asupra unui sistem dinamic de cel puţin două

modele sunt necesare. În primul rând un model care descrie evoluţia stărilor, în timp,

(modelul sistemului) şi în al doilea rând, un model cu privire la zgomotele ce însoţesc

măsurătorile (model de măsurare).

Filtrul urmează în principal două etape. Acestea sunt cea de predicţie şi cea de

actualizare. Etapa de predicţie utilizează modelul sistemului şi PDF anterioară pentru a

determina noua valoarea şi de a transmite stările de la un interval de timp la altul.

Deoarece starea este, de obicei, influenţată de către observaţii, care şi ele la rândul lor sunt

tulburate şi modelate aleator de către zgomot, impactul se reflectă în general în deformarea

şi denaturarea funcţiei de densitate de probabilitate faţă de forma anterioară. Operaţia de

actualizare utilizează cele mai recente măsurători pentru a modifica funcţia de predicţie

(PDF) [21]. Într-adevăr, un filtru de particule reprezintă o tehnică de punere în aplicare

recursiv a filtrelor bayesiene printr-o metodă Monte Carlo de prelevare de probe.

După cum este descris de către Mihaylova în [22], fluxul de trafic pe autostradă

este reprezentat de un model multi-particulă cu caracter non-liniar. Aceasta include, de

asemenea, interacţiuni complexe între vehicule, cum ar fi blocajele de circulaţie, valurile

de pornire–oprire şi multe altele. Mai multe configuraţii de filtrare pot fi folosite pentru a

procesa informaţiile provenind de la senzori într-o operaţiune de estimare a fluxului de

trafic. Cele mai multe şi comune abordări sunt bazate pe metodele stocastice de filtrare. În

[24] este prezentată o comparaţie între filtrul Kalman şi filtrul Kalman unscented, pentru

estimarea stării şi a diverşilor parametrii pentru diferite configuraţii de detector.

Lucrarea prezintă ca şi concluzie o performanţă comparabilă, atunci când se

utilizează un filtru extins Kalman sau un filtru Kalman unscented. O altă concluzie este că

un grup de filtrare efectuează în mod semnificativ o mai bună estimare decât o aplicare

dublă a unui algoritm de filtrare. Cu toate acestea, aceasta nu are nici o influenţă

semnificativă asupra parametrului estimat eroare. Un filtru cu particule este soluţia care a

fost propusă pentru a modela traficul pe autostradă, cu ajutorul stărilor şi variabilelor

agregate membre în [23]. În această lucrare actualizarea particulelor se face în mod regulat


- 18 -

sau neregulat la diverse intervale de timp, atunci când informaţiile din măsurători vor fi

disponibile.

Multe sisteme de urmărire a traficului utilizează reţele de cameră video. Având în

vedere rezoluţia limitată şi calitatea lentilelor un aparat foto–video digital, acest aspect

predispune la erori. O modalitate de a corecta aceste erori este de predicţie a următoarei

poziţii a maşinii.

În [24], este prezentată o comparaţie între filtrele Kalman şi filtre cu particule într-

o aplicaţie cu urmărire de vehicule. Filtrele Kalman sunt considerate a fi o soluţie optimă

în cazul unor restricţii ca liniaritatea sistemului de ecuaţii care descriu sistemul, procesele

albe Gaussiene şi zgomotele care însoţesc măsurătorile. În cazul filtrului cu particule

cerinţele sunt mult mai puţin stricte în ciuda producerii doar a unui set de vectori de stări

suboptimale. Referinţa [25] prezintă un model despre modul în care vehiculele “simt”

lumea înconjurătoare şi despre procesul de informare şi de cuantificare a informaţiilor

disponibile. Aproximarea funcţiilor de maximizare a informaţiilor din reţea pentru a fi

scalabile, presupune cooperare la nivel global. Cele două metode pentru a calcula

informaţii sunt printr-un schimb reciproc cu un singur nod din apropiere şi prin schimb

mutual cu toate nodurile din imediata vecinătate. Prima dintre ele se bazează pe o

caracteristică emergentă de comportament. Cea de-a doua, bazată pe cooperare directă,

este mult mai exactă, dar presupune un calcul intensiv. Acestea sunt combinate cu un filtru

cu particule pentru rezultate optime.

Poziţionarea, în cazul în care chiar propria poziţie este cea care urmează a fi

estimată este o altă aplicaţie a filtrului cu particule. Aceasta reprezintă o problemă de

filtrare, mai degrabă decât o problemă de estimare statică, atunci când un sistem de

navigaţie inerţial este folosit pentru a furniza măsurători despre un corp aflat în mişcare. O

altă problemă este navigaţia, în cazul în care, pe lângă poziţie de asemenea, viteza,

altitudinea şi direcţia, şi acceleraţia unghiulară sunt incluse în problema supusă filtrării.

Urmărirea unei ţinte, în cazul în care poziţia unui alt obiect este estimată pe baza

măsurătorilor de unor poziţii şi stări relative, este prezentată în [25].

Pentru un număr mic de observaţii, în problematica urmăririi unei ţinte, o

ameliorare a filtrului de particule a fost propusă cu ajutorul unui algoritm modificat LS-N-

IPS, (Local Sampling N-Interacting Particle System N-IPS) [26]. Aceasta se face cu

ajutorul unui operator de căutare non-trivial local, cu rolul de a îmbunătăţi predicţia. La

fiecare pas, previziunile au fost rafinate într-o procedură de căutare locală care utilizează

cele mai recente date observate. Această soluţie ar fi trebui să fie optimă în cazul în care se

aplică un număr mic de particule.


- 19 -

O altă abordare, care are unele puncte comune cu algoritmul prezentat în această

lucrare este propusă în [27]. Aici, autorii folosit un filtru hibrid Monte Carlo pentru a

analiza cu ajutorul distribuţiei posterioare o aplicaţie pentru urmărirea unor persoane. Mai

degrabă decât atribuirea unei ponderi fiecărei particule bazat pe funcţia de asemănare de

risc, fiecare particulă a produs un lanţ Markov de la proba posterioară, folosind estimări

ale gradientului de distribuţie.

Filtrul Kalman Extins (EKF) [28] este o altă metodă comună în aplicaţiile bazate pe

urmărirea video. Dezavantajele prezentate de această metodă se referă la complexitatea

algoritmului care creşte cu numărul de măsurători. De asemenea, ele sunt foarte sensibile

la zgomotul parametrilor consideraţi. Prin urmare, această metodă aşteaptă o estimare

rezonabilă iniţială a variabilelor de stare. În contrast, filtrul cu particule poate porni de la o

distribuţie uniformă, dar au performanţă slabă, cu privire la dimensionarea vectorului de

stare.

În cazul în care condiţiile iniţiale de aplicare sunt specificate în mod corect printr-o

distribuţie anterioara, se poate garanta o convergenţă rapidă atunci când se utilizează o

abordare bazată pe particule de filtrare. O soluţie hibrid a fost propusă în [29] pentru a

îmbunătăţi convergenţa de filtrelor cu particule. Această abordare generează într-o primă

fază particule în mod identic ca şi pentru cazul convenţional. Apoi încearcă să se mute mai

aproape particule de valoarea anterioară printr-o distribuţie generată de un pas EKF.

Această strategie a fost aplicată cu succes în antrenarea reţelelor neuronale, dar

dezavantajul este că trebuie să respecte condiţiile filtrului Kalman cu privire la distribuţia

zgomotului. Într-un algoritm propus recent o metoda de căutare bazată pe media Shift într-

un cadru de filtrare cu particule şi o ţintă de reprezentare, care utilizează mai multe semi-

suprapuneri a histogramei culorilor, a fost propusă în [30].

O combinaţie între filtrul Monte Carlo şi lanţurile Markov este prezentată în

literatură ca MCMC (Monte Carlo Markov Chain) [31]. Iniţial o primă stare x0 este

prelevată în conformitate cu o densitate propusă, care poate fi Gaussiană, caz în care

reprezintă şi covarianţa mostrelor Monte Carlo calculate la ultimul pas. Vectorii de stare

subsecvenţi sunt, apoi, prelevaţi prin intermediul funcţiei de stare pas cu pas. Metodele

MCMC permit aproximări a unor dimensiuni mari folosind distribuţii de probabilitate ale

unor mostre considerate etalon. Prin utilizarea acestei metode, se pot utiliza mediile

acestor probe pentru a calcula mai multe cantităţi de interes. Aceste eşantioane pot fi, de

asemenea, folosite pentru a calcula estimări statistice, cum ar fi regiunile cu un grad ridicat

de probabilitate, sau în care diferenţele sunt mai evidenţiate. Aceasta metoda reprezintă un

algoritm de puternic, având importanţă în prelevarea probelor, şi cu beneficii în reducerea

problemelor asociate cu filtrele secvenţiale Monte Carlo. Pentru anumite modele, totuşi,


- 20 -

metoda MCMC poate să nu fie optimă, deoarece un număr mare de iteraţii ar fi necesare

pentru a atinge densitatea de distribuţie dorită [32].

În cazul folosirii unor instrumente matematice de predicţie şi corecţie mulţi

algoritmi sunt cei bazaţi pe structuri bayesine. Avantajul folosirii acestora este acela că se

bazează pe stările anterioare ale sistemului provenite din observaţiile anterioare), iar etapa

de predicţie este corectată de observaţiile din pasul actual. Studiile din domeniu, au

demonstrat faptul că filtrele Kalman, nu sunt cele mai adecvate instrumente din domeniu

deoarece ce nu se pretează decât unor modele cu distribuţie liniară.

Îmbunătăţirea în acest sens este realizată de către filtrele cu particule, algoritmi

capabili de a răspunde în mod performant sistemelor cu aproape orice tip de distribuţie. De

asemenea un alt punct forte al acestor algoritmi îl reprezintă faptul că pe lângă capacitatea

de predicţie pot să aibă şi o capacitate de corecţie a observaţiilor, observaţii care de cele

mai multe ori pe lângă informaţiile utile conţin şi zgomote. În domeniul filtrelor cu

particule aplicate în gestionarea traficului rutier importante cercetări au fost efectuate de

către Mila Mihaylova (et all), în special în sensul îmbunătăţirii filtrelor (Unscented filters,

operaţii cu intervale), încercări de implementare a filtrelor distribuite, pentru reducerea

overheadului de comunicatie (M. Coates), implementarea unor tool-uri probabilistice

pentru managementul traficului (e tema propusă spre cercetare de către T. Singliar), a

implementării filtrelor cu particule şi a altor metode bayesiene capabile să opereze în timp

real.

În tabelul numărul 1 sunt prezentate succint variaţiunile filtrului cu particule

pornind de la survey-ul prezentat in [33]. Au fost amintiţi aici cei mai reprezentativi

algoritmi derivaţi din filtru de particule general. Mulţi din aceşti algoritmi suferă la rândul

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 selecţia particulelor. În

urma acestei selecţii, o posibilitate ar fi varierea ponderilor cu o valoare stratificată, aflată

în directă legătură cu valoarea de prag.

În anumite aplicaţii în care un anumit tipar (tranziţie de stări) se repeta, SIS poate

reprezenta soluţia optimă, datorită creşterii importanţei setului de particule asociat stării

reale, surprinsă de acest tipar.

Denumire Descriere Comentarii

Sequential

Importance

Sampling (SIS)

Propagare şi calcul

recursiv al ponderilor pe

măsura ce observaţiile

provenite din măsurători

- problema majoră: fenomenul de

degenerare: anumite particule sunt

privilegiate, restul vor avea o pondere

nesemnificativă


- 21 -

sunt primite

- un efort computaţional ridicat pentru

calcularea unor valori care vor contribui

la rezultatul final cu valori apropiate de

zero;

- alegerea adecvată a funcţiei densităţii de

probabilitate, astfel încât să fie

minimizată variaţia ponderilor; [33]

Resample

Importance

Sampling (RIS)

Eliminarea particulelor

care au pondere mică şi

concentrarea asupra celor

care au ponderi mai mari,

în acest fel vor fi

preponderent folosite

particulele care vor avea

cele mai mari

probabilităţi.

- se regenerează la fiecare pas particulele,

bazat pe valoarea ponderii lor, ducând la

creşterea probabilităţii;

- algoritmul SIR poate fi uşor derivat din

SIS printr-o alegere adecvată a

importanţei, şi prin pasul de regenerare,

care urmează să fie aplicat fiecărui

interval de timp;

- varianta de îmbunătăţire a acestui

algoritm este dată de către "Auxiliary

Sampling Importance Resampling Filter

(ASIR)" : regenerare cu ponderi egale,

ceea ce ar putea conduce la obţinerea

unei stări mult mai apropiate de starea

reală;

- rezultate slabe în cazul unui număr

scăzut de particule, datorita regenerării

particulelor cu o pondere mai mare,

anumite stări pot deveni privilegiate;

[33]

- Metodele MCMC reprezintă o

îmbunătăţire a acestui tip de particule

Likelyhood

Particle Filter

Densitatea de importanţă

este dată de funcţia de

asemănare.

- Produce rezultate superioare metodelor

de estimare a densităţii de importanţă

bazate pe calculul posterior al acestei

valorii. [33]

Tabelul 1. Scurtă prezentare comparativă a variaţiilor filtrului cu particule


- 22 -

Şi în cadrul implementării distribuite a filtrelor cu particule avem de-a face cu mai

multe variaţii. Cele mai populare abordări sunt sintetizate în tabelul numărul 2.

Principalele probleme care intervin în plus în cazul folosirii unui algoritm distribuit sunt

date de către: timpul de execuţie (pentru această aplicaţie este nevoie de un timp real de

răspuns), puterea de calcul şi acurateţea rezultatelor (în cazul folosirii unor sisteme bazate

pe senzori wireless resursele sunt limitate atât din punct de vedere al energiei cât şi al

complexităţii calculelor) şi nu în ultimul rând de scalabilitatea sistemului.

În multe aplicaţii bazate pe filtre cu particule care necesită în timp real de execuţie,

informaţiile primite de la senzori ajung la o rată semnificativ mai mare decât rata de

actualizare a filtrului. Abordarea cea mai răspândită în cazul acestor situaţii este de a

actualiza filtru de particule cât mai des posibil şi renunţarea la acele informaţii venite de la

senzor, care nu pot fi procesate în timp util. O altă posibilitate este aceea de a mixa seturile

de probă pentru constituirea unui singure valori posterioare trimise filtrului în momentul în

care se face actualizarea informaţiei. [34] Ponderile componentelor mixului sunt stabilite

în aşa fel încât să reducă la minimum eroarea introdusă de această reprezentare. Acest

lucru se face cu ajutorul RTPF (Real Time Particle Filter) [34], o metodă în cazul în care

sunt luate în considerare toate măsurătorile provenite de la senzori prin distribuirea de

eşantioane printre observaţiile sale într-o fereastră de actualizare.

Denumire Descriere

Implementarea liniară Un singur nod care să preia informaţia şi să efectueze

calculele.

Distribuite, cu nod

central de calcul

Nodul central are rol de a prelua si agrega datele, cât şi de

a efectua calculele

Distribuite, fără nod

central de calcul

Lipsa unui nod central încearcă să reducă comunicaţia

excesivă din cadrul reţelei, prin limitarea schimbului de

informaţii doar cu nodurile vecine. [35]

Tabelul 3 Modalităţi de implementare a filtrelor cu particule

4. Rezultate preliminare. Posibilităţi de abordare

Pentru demararea acestui proiect de cercetare am pornit de la un model

microscopic şi am încercat să implementez un algoritm predictiv capabil să estimeze o


- 23 -

succesiune de parametrii cum ar fi poziţia şi viteza unui vehicul, bazat pe date citite din

observaţiile unor camere video. Acest algoritm s-a transpus într-un filtru cu particule.

Pentru implementarea algoritmului s-a utilizat un model de cameră de

supraveghere cu o eroare de distribuţie cunoscută. De asemenea, pentru a obţine eroarea

absolută a poziţiei maşinii s-a utilizat un dispozitiv de înaltă definiţie, care va reda poziţia

reală a maşinii aşa cum se prezintă în Fig 1. Această eroare joacă un rol important în

calibrarea aparatului de supraveghere. Pe baza poziţiei calculate din imaginile de la

aparatul video şi determinarea erorii relative putem apoi calibra camerele de supraveghere.

Acest lucru duce la reducerea valorii erorii.

Figura 1. Un aparat de înaltă rezoluţie oferă poziţia reală a vehiculului. Eroarea introdusă de către

camera de supraveghere cu rată scăzută de finite se reflect prin abaterea de la poziţia reală a vehiculelor.

Am decis proiectarea unui filtru cu particule pentru a rezolva problema erorii introduse

de către camerele video. Soluţia propusă consideră prelucrarea unor informaţii ascunse

cum ar fi variaţia acceleraţiei, pentru a reflecta mai bine comportamentul şoferului.

Eficienţa şi precizia unui filtru de particule depinde în principal pe doi factori-cheie.

Aceştia sunt număr de particule utilizate pentru a estima partea posterioară de distribuţie şi

funcţia de răspândire folosită pentru a re-aloca aceste particule pe tot parcursul tuturor

iteraţiilor.

Pentru o mai bună înţelegere a algoritmului propus voi descrie succint câteva

consideraţii teoretice. Un filtru cu particule este un instrument util pentru a efectua

estimări de stări dinamice prin deducţie Bayesiană. Acesta oferă o mare eficienţă şi o

flexibilitate extremă în aproximarea oricărei funcţionalităţi non-liniare. Ideea cheie este de

a reprezenta partea posterioară de distribuţie a stărilor date o succesiune de măsurători de


- 24 -

la senzori şi de a le re-aloca în mod constant sub formă de noi informaţii pentru a actualiza

estimarea stării sistemului.

Problema urmăririi poate fi privită din perspectiva Bayesiană ca o chestiune de

estimare a unui anumit grad de încredere a unei stări xt a unui obiect la momentul t şi la un

anumit pas dat o serie de observaţii z1: t. Filtrarea recursiva Bayesiană calculează o

densitate posterioară care poate fi scrisă folosind regulile Bayes ca:

p(xt+1|zt+1)≈p(zt+1|xt+1)p(xt+1) (1)

În scopul de a construi un filtru de particule, se presupune că distribuţia posterioară de

la pasul precedent de filtrare p(xt-1 | z1: t-1) este disponibilă şi se poate folosi pentru a

construi prin predicţie o densitate apriori pornind de la pasul curent de filtrare.

Aceasta se face prin aplicarea unei presupuneri Markov [32], densităţii anterioare, care

devine densitate posterioară propagată de la pasul anterior, folosind un timp de tranziţie

(model dinamic):

tttttt dxzxpxxpxp )|()|()( 11 (2)

Această valoare a probabilităţii este folosită în următorii paşi pentru a face predicţii.

Algoritmul general de filtru de particule trece prin următoarele etape:

Fig 2. Pseudocod pentru algoritmul SIR generic

Modelele de predicţie a comportamentului unui obiect complex se bazează pe

cunoştinţele acumulate în timp şi utilizate pentru a stoca informaţii despre schimbările

relevante ale parametrilor sau posibilitatea schimbării acestora în viitor. Această informaţie

(1) Iniţializare: crearea unui set iniţial de particule (etaloane)

bazat pe ecuţiile sistemului;

(2) Predicţie: cu ajutorul particulelor din pasul precedent se

determină poziţia viitoare a particulelor;

(3) Actualizarea ponderilor: calculul ponderii fiecarei particule;

(4) Estimarea stării: estimarea stării fiecărui obiect este făcută

în fiecare pas;

(5) Regenerare: Particulele cu ponderea mai mare generează alte

particule, în timp ce, acelea care au o pondere mai mică sunt

înlăturate.


- 25 -

este, de obicei, reprezentată ca un set de date şi trebuie să fie colectate pe termen lung într-

o activitate de observare a unui sistem complex dinamic.

Filtrul de particule reprezintă un instrument puternic, bazat pe deducţie Bayesiană, care

se foloseşte de distribuţia posterioară a stărilor date ca secvenţă de măsurători de la senzori

şi le realocă în mod constant ca noi informaţii primite în scopul de a actualiza dinamic

estimarea stării sistemului. În prelucrarea statistică a semnalului, entităţile-cheie sunt

reprezentate de distribuţia de probabilitate, care sunt cuprinse în distribuţia posterioară a

stării necunoscute, şi o medie posterioară.

Datorită interacţiunii lor, particule sunt dependente din punct de vedere statistic. În

consecinţă, rezultatele de convergenţă clasice privind metodele de Monte Carlo, bazate pe

ipoteze independente şi identic distribuite, nu sunt aplicabile [37].Având în vedere acest

lucru, o ţintă pentru optimizarea aplicării filtrului de particule este reprezentată de faptul că

variaţia vectorului erorii totale a observaţiilor este în concordanţă cu rezultatul şi că

varianţei estimatorului filtru de particule este independentă de dimensiunea de stări [37]. În

cazul în care se aplica metoda MCMC, ideea este de a folosi observaţii şi pentru a genera

mostre din distribuţia posterior sau funcţia probabilitatea de interese şi a le folosi pentru a

extrage informaţii relevante, deoarece toate informaţiile cunoscute sunt păstrate de către

densităţile lor posteriore sau funcţiile de asemănare. Astfel, eşantioanele cu valori mai

mari ale densităţi posteriore pot fi folosite pentru deducţie şi pentru calculele viitoare,

deoarece acestea aproximează cel mai bine situaţia necunoscută.

Algoritmul propus este proiectat pentru a corecta erorile sistematice provenite de la

senzori video în aplicaţii de urmărire a traficului. Spre deosebire de soluţiile clasice, avem

în vedere unele informaţii ascunse cum ar fi variaţia acceleraţiei, pentru a reflecta mai bine

comportamentul conducătorului auto.

Modificări relevante din comportamentul şoferului între două intervale de timp luate în

considerare sunt considerate a fi tranziţii în spaţiul stărilor. Am notat tranziţia între o

scădere mai mare de viteză în intervalul considerat ca fiind starea „- -„, o încetinire mai

mică a vehiculului este atribuită stării „-„, viteza aproximativ constantă este asociată cu

„0”, o accelerare uşoară prin „+ „, şi ultima, o creştere mare a vitezei este de reprezentată

prin „++”.


- 26 -

Fig 2. Tranziţii posibile între stări asociate

Având în vedere legea fizică de mişcare, în fig. 2 sunt descrise posibilele tranziţii între

stările asociate. De fiecare dată, sunt considerate tranziţiile între ultima stare a sistemului şi

cea actuală, bazată pe observaţii, şi estimări anterioare. Folosind această tranziţie de stări

în implementarea salturilor în lanţurile Markov, o matrice de densităţi de probabilitate

(PDM) (1) este generată.

(1) Matricea de densităţi de probabilitate

4443424140

3433323130

2423222120

1413121110

0403020100

0

0

Deoarece avem de a face cu un lanţ Markov normal condiţia ca

14

0

i

ai este

îndeplinită. Determinarea stării următoare posibilă a maşinii poate fi privit din punct de


- 27 -

vedere Bayesian ca o problemă de estimare a unui anumit grad de probabilitate a stării xt a

unui obiect la un moment de timp t, având la dispoziţie o secvenţă de observaţii z1: T.

Filtrarea Bayesiană recursivă calculează o densitate posterioară, care poate fi scrisă sub

forma:

p ( x t+1 | z t+1 ) ≈ p ( z t+1 | x t+ 1 ) p ( x t+1 ) (2)

În scopul de a construi PDM, presupunem că distribuţia posterioară de la pasul anterior

de filtrare p(x t-1 | z 1:t−1 ) este disponibilă şi o putem folosi pentru predicţie. Acest lucru se

realizează prin aplicarea unei prezumţii Markov [8], asupra densităţii prealabile, care

devine densitate posterioară provenind din pasul de timp anterior utilizând o densitate de

tranziţie (model dinamic):

tttttt dxzxpxxpxp )|()|()( 11 (3)

Valoarea aproximată a distribuţiei anterioare este dată de formula (4)

N

n

n

tt

n

tt

n

ttt xxpzpwzxp1

11111 )|()|()|( (4)

unde n

t 1 reprezintă valoarea densităţii de probabilitate, provenită din PDM al

modelului dinamic Markov. Filtru cu particule, în varianta SIR se bazează în general pe

următoarele trei operaţii: generarea de noi particule (prelevarea probelor din spaţiul de

stări neobservate), calculul ponderilor asociate particulelor şi resampling ( procesul de

îndepărtare a particulelor cu ponderi mici şi înlocuirea lor cu particule cu ponderi mai

mari).

Pentru a creşte viteza filtrului cu particule, modificări algoritmice sunt necesare.

Principalele provocări pentru creşterea vitezei implică reducerea numărului de operaţiuni

ce presupun concurenţă şi exploatarea operaţională între generarea de particule şi paşii de

calcul ai ponderilor asociate particulelor. Operaţiunea de resampling nu este intensivă din

punct de vedere computaţional, sunt posibile modificări în algoritm care vor duce la

creşterea vitezei prin suprapunerea acestei operaţii cu generarea de particule [40].

În această abordare am păstrat primele două etape, cele mai scumpe din punct de

vedere computaţional. Folosind un lanţ Markov regulat, PDF va reflecta de observaţiile, iar

suma probabilităţilor pe linie trebuie să fie egală cu 1. De asemenea, am considerat că

etapa de regenerare a particulelor, în combinaţie cu lanţuri Markov, nu se va reflecta într-o

reducere semnificativă a erorii.


- 28 -

Un pseudocod al algoritmului implementat este prezentat în continuare.

Fig 3. Algoritmul implementat în cadrul simulărilor

4.1. Rezultate preliminare. Experimente

Setul de teste efectuate pentru acest algoritm se bazează pe simularea tiparelor de

conducere, prin intermediul unui simulator de trafic Java. Acest simulator este capabil să

gestioneze mai multe tipare de comportament al conducătorilor auto, cum ar fi mişcarea

liberă constantă, accelerare uşoară până la o limită dată de o valoare de calibrare

combinată cu o mişcare constantă, în acest caz este considerată inclusiv o accelerare

negativă (decelerare până la o limită impusă în scopul de a urmări un vehicul din trafic), şi

comportament oscilator în limita a două valori cunoscute de viteză. Acesta a fost conceput

pentru a gestiona mai multe distribuţii de automobile, cum ar fi liniară, Gaussiană sau

aleatoare. Eroarea maximă a aparatului de supraveghere se înscrie într-o rază de 1 m. Este

Paşii de iniţializare

(1) Crearea unui set iniţial de particule cu valori aleatoare ale

poziţiilor în intervalul de +/-1 % din valoarea citită de la

aparatul de supravghere

(2) Generează xi0 ~ µi; i = 1..N Fiecare etalon sin spaţiul

vectorilor este referit ca fiind o particulă;

(3) Asignează fiecărei particule ponderi egale (1/N), wi = 1/N

(distribuţie uniformă)

Paşii de iteraţie

Pentru fiecare component, executa:

Updatează măsurătorile provenite de la camera de supraveghere şi,pe

baza stării anterioare a sistemului updateză si valorile din PDM.

Pastrează propietăţile lanţurilor Marvov regulate.

Calculează ponderile particulelor sub formă de produs între

valoarea anterioară şi valoarea asociată tranzitiei, citită din

PDM.

Estimează positia reala a maşinii ca medie ponderată a valorilor

date de către particule.

Calculează eroarea filtrului.


- 29 -

cunoscut faptul că, atunci când sunt puse în aplicare în mod eficient, filtrele de particule

presupun un cost de calcul proporţional cu numărul de particule [38], [39], aşadar, am luat

în considerare acest aspect pentru a varia numărul de particule, şi pentru a vedea influenţa

acestui factor în determinarea valorii erorii absolută şi relativă. În urma acestor

experimente, am hotărât efectuarea celor mai multe dintre experimente cu cinci sute de

particule pentru a asigura un efort computaţional rezonabil. În următoarele figuri sunt

prezentate valorilor experimentale pentru diverse tipare de comportament al şoferilor.

Fig 5. Variaţia erorii în cazul unui tipar ce presupune o creştere a vitezei


- 30 -

Fig. 6 Variaţia erorii în cazul unui tipar ce presupune o viteză constantă

Fig. 6. Variaţia erorii în cazul unui tipar ce presupune o scădere a vitezei

Fig 9. Variaţia erorii relative în cazul unui tipar de mişcare oscilatorie


- 31 -

4.2. Concluzii

Soluţia investigată se comportă satisfăcător, în cazul unui tipar cunoscut, datorită

proprietăţilor lanţului Markov. În cazul în care condiţiile iniţiale pe care se abat de la

valoarea reală, iar sistemul nu urmează un model bine cunoscut, probabilitatea particulelor

de a se apropie de starea adevărată poate fi foarte mică în stadii incipiente. Prin urmare,

filtrul poate converge lent, în acest caz. Cu toate acestea, este dovedită capacitatea

metodei MCMC pentru generarea probelor pornind de la aproape orice distribuţie.

4.3. Direcţii posibile de investigare

Acest referat prezintă contextul prezentei direcţii de cercetare, o scurtă istorie a

domeniului, câteva consideraţii teoretice pentru o mai bună înţelegere cât şi direcţiile cele

mai investigate din domeniul estimării traficului pe baza unor algoritmi de predicţie, dar,

în acelaşi timp şi problemele rămase deschise cât şi viziunea personală asupra acestui

subiect.

În continuare voi prezenta succint câteva scenarii posibile de investigat. Un prim

scenariu propus este următorul: Avem de-a face cu două zone cu distanţe egale

supravegheate de senzori, structura reţelei în aceste două zone este una cunoscută şi

stabilită anterior. Pe marginea drumului avem de-a face cu două tipuri de noduri de reţea :

noduri de tip A care sunt puse pe stâlpii de curent au energie suficientă şi o putere

de calcul ridicată (sunt nodurile asupra cărora se aplică filtru cu particule, în acest

caz implementarea filtrelor cu particule fiind unul distribuit cu noduri centrale de

calcul );

noduri de tip B, au responsabilitatea de captare şi agregare a datelor (primite de la

maşini) şi de a transmite informaţiile între noduri („noduri mesager”).

Mai avem o parte de senzori mobili, aflaţi pe maşina care au rolul de a transmite

poziţia şi viteza maşinii în secţiunea de mijloc, cu o lungime mult mai mică decât cea

considerată anterior pentru nodurile mesager. În partea mediana a segmentului considerat

nu se cunoaşte cu exactitate structura reţelei, decât tipul de noduri prezente. Pe baza

modelului capturat din cele 2 părţi, se încearcă să se genereze modelul pentru zona


- 32 -

mediană şi detectarea unor situaţii de trafic anormale, urmând ca atunci când maşinile

albastre din zonele cunoscute pătrund în mijloc modelul să fie corectat, în cazul în care

este nevoie. Modelul are o reală justificare mai ales în cazul drumurilor naţionale şi

europene (în afara zonei urbane).

Un al doilea scenariu propus pentru investigare este descris în continuare. Sistemul

ar fi constituit majoritar din senzori mobili (pentru zona urbană) şi senzori ficşi în zonele

foarte aglomerate şi la semafoare. Senzorii mobili de pe maşini comunică între ei şi pe

fiecare maşină se stabileşte un model (incomplet) al traficului din acea zonă şi de la acel

moment, bazat atât pe datele colectate de acea maşină, cât şi din modelul parţial primit de

la maşina din vecinătatea sa. Problema care se pune în acest caz este de a genera un model

al unei zone având la dispoziţie modele parţiale, sau chiar inexistente, în cazul în care o

maşină se află la depărtare, iar zona este prea mare pentru comunicaţia senzorilor. În acest

caz se poate pune problema reconstituirii modelului şi de detecţia unor situaţii periculoase,

sau de gestionarea inteligentă a semafoarelor în funcţie de traficul pe o anumita bandă sau

un anumit sens dintr-o intersecţie. Senzorii ficşi au rol de a genera modelul complet, şi de

a acţiona în mod corespunzător semafoarele.

O altă direcţie de cercetare ar fi următoarea: urmărirea traficului la nivel

mezoscopic şi macroscopic prin metode din mecanica şi dinamica fluidelor, cât şi prin

metode şi legi asociate electromagnetismului. Bazat pe aceste legi, şi cu ajutorul metodelor

de filtrate şi predicţie de tip Monte Carlo (Particle Filter, MCMC) se poate estima traficul

posibil pe o porţiune de drum. Avantajul folosirii acestor legi fizice ar fi următorul: prin

determinarea densităţii de trafic posibil/probabil pe un segment de drum, se poate

determina şi un segment/ lărgime optimă de bandă. Aplicaţia posibilă ar fi determinarea şi

programarea unor benzi de trafic reversibile pe arterele de drum cu trafic concentrat într-un

anumit moment din zi.

Tot pe baza acestor metode se poate analiza şi ce se întâmplă şi cum se poate fluidiza

traficul în punctele de joncţiune (ex: sensuri giratorii şi semafoare, dar mai ales la intrarea

într-un sens giratoriu).

5. Structura propusă a tezei

În tabelul 1 este prezentat aspectul propus al tezei. Desigur, deoarece mă aflu încă

la început, rezultatele viitoare pot să producă schimbări în informaţiile prezentate mai jos.


- 33 -

Acest lucru poate fi considerat ca imaginea actuală a modului în care îmi voi structura teza

de doctorat. Cea de a doua coloană din tabelul de mai jos prezintă pe scurt conţinutul

propus al capitolelor tezei.

Capitolul din teza Comentarii

1. Introducere Conţine o succinta descriere a problemei.

De asemenea, structura tezei şi

principalele contribuţiile sunt amintite.

2. Instrumente matematice de predicţie

2.1. Consideraţii teoretice

2.2. State of the art

2.3. Comparaţie între diverse metode de

implementare a filtrelor cu particule

2.4. Metodele MCMC

2.5. Algoritmi de predicţie distribuiţi:

probleme determinate şi metode de

îmbunătăţire

Prezintă o descrie teoretică a

instrumentelor matematice de predicţie, o

clasificare a algoritmilor din domeniu. De

asemenea sunt prezentate comparativ

diverse metode de implementare a

filtrelor cu particule şi a algoritmilor de

tip MCMC.

În urma analizei se determină direcţiile de

îmbunătăţire a acestora, iar în final este

propus un astfel de algoritm.

3. Modelarea şi simularea traficului

3.1. Determinarea unor tipare din traficul

auto – State of the art

3.2. Comparatie între modelele la nivel

microscopic, mezoscopic şi

macroscopic

3.3. Propunerea unei metode de modelare

considerate optime

3.4. Aplicarea algoritmilor de predicţie

pentru determinarea unor situaţii

critice din trafic

Un review al literaturii din acest domeniu

este prezentat, cât şi o descriere a

avantajelor şi dezavantajelor folosirii

acestor metodele de simulare.

Determinarea în urma analizei, a metodei

considerate ca fiind potrivite pentru

aplicarea ulterioară a algoritmilor de

predicţie.

Analizarea posibilităţi de îmbunătăţire şi

combinare a metodelor de modelare şi a

algoritmilor de predicţie, în vederea

obţinerii unor rezultate optime pentru

sistemele distribuite de monitorizarea

traficului. Realizarea unui simulator şi


- 34 -

rularea experimentelor, în scopul de

calibrare şi obţinerea unor erori minime

de predicţie.

4. Arhitecturi distribuite de reţele de senzori

4.1. State of the art

4.2. Designul arhitecturii utilizate

Studierea arhitecturilor de senzori

distribuiţi în vederea determinării

structurii adecvate aplicaţiei de

monitorizare a traficului rutier.

În urma analizei se va determina structura

optimă pentru aplicaţie, cât şi designul

acestei reţele. Se vor prezenta beneficiile

şi lipsurile, şi mai ales motivele care au

dus la alegerea acesteia.

5. Implentarea practică

5.1. Experimente

5.2. Comparaţia cu rezultatele obţinute în

urma simulării pe calculator

5.3. Discuţii

Implementarea practica pe structura de

reţea distribuită prezentată în capitolul 4,

a algoritmilor propuşi.

Rezultatele obţinute se vor compara cu

cele estimate în cadrul simulărilor. Se va

lua în calcul posibilitatea introducerii

unor deviaţii datorită erorilor de calibrare

a aparatelor.

Analizarea şi discutarea rezultatelor

experimentale.

6. Concluzii şi posibile direcţii viitoare de

dezvoltare

Oferă un rezumat al tezei, şi

propune posibile direcţii de cercetare

viitoare bazate pe rezultatele obţinute atât

în cadrul simulărilor cât şi în cadrul

realizării practice.

7. Appendix

8. Bibliografie

Tabelul 1 : Structura propusă a tezei


- 35 -

O parte din această propunere se poate regăsi, condensată în următoarele articole

deja publicate şi prezentate în cadrul conferinţelor:

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 şi A. Doboli, „Corrections of Sensing

Error in Video-based Traffic Surveillance”, International Symposium on Applied

Computational Intelligence and Informatics, SACI, Mai 2009.

În continuarea proiectului de cercetare vor fi prezentate două referate, referate ce

vor prezenta rezultatele până la momentul respectiv.

Primul dintre ele va conţine:

- Un studiu comparativ al metodelor de predicţie matematică, aplicarea şi

îmbunătăţirea algoritmilor de tip filtru cu particule şi a metodelor MCMC în

aplicaţii distribuite de supervizare a traficului rutier;

- Studiu comparativ al modelelor existente pentru simularea şi modelarea

traficului rutier atât la nivel microscopic, macroscopic cât şi mezoscopic,

analizarea determinarea unui model optim de reprezentare a fluxului de

maşini în aplicaţii distribuite;

- Îmbinarea modelului de simulare propus cu un algoritm de predicţie şi

prezentarea valorilor obţinute în urma experimentelor/ simulărilor.

- Interpretarea rezultatelor obţinute;

Cel de-al doilea referat va conţine:

- Studiu comparativ al diverselor arhitecturi de sisteme de senzori wireless

distribuite;

- Determinarea şi designul unei astfel de arhitecturi, optime pentru

supravegherea robustă a traficului rutier;

- Rezultate obţinute în urma simulărilor pe calculator

- Implementarea practică şi adunarea de date experimentale de senzori ( în

speranţa obţinerii fondurilor necesare cumpărării echipamentului necesar) ;


- 36 -

- Interpretarea rezultatelor obţinute;

Teza, va conţine în final o îmbinare şi rafinare a acestor aspecte prezentate în cele

două referate.

Pentru realizarea acestui proiect, în afara colaborării cu conducătorul meu

ştiinţific, domnul prof. dr. ing. Ionel Jian, voi mai colabora şi cu domnii profesori dr. ing.

Dan Pescaru şi dr. ing. Alex Doboli şi drd. ing. Codruta Istin.

De-a lungul celor 2 ani rămaşi din acest program de burse doctorale, voi viza

participarea şi publicarea la conferinţe internaţionale recunoscute IEEE şi indexate ISI, cât

şi trimiterea a cel puţin un articol de jurnal.

Pentru a atinge obiectivele majore ale tezei, pe cele două direcţii ştiinţifice

principale, precum şi urmărirea conturului propus pentru teză, o planificarea atentă a

activităţilor de cercetare şi dezvoltare trebuie să fie urmată. Obiectivele principale ale

procesului de cercetare urmează capitole majore propuse în structura tezei. În plus,

activităţile legate de întocmirea şi prezentarea celor două referate şi finalizarea tezei sunt

de asemenea incluse în cadrul sarcinilor majore ale procesului ştiinţific. Fig 2 prezintă

termenele şi o durată estimată pentru îndeplinirea sarcinilor majore din cadrul proiectului

de bursă doctorală.

Fig 2. Activităţile principale din cadrul proiectului de cercetare

Pentru a putea realiza aceste activităţi principale, o detaliere şi o respectare

minuţioasă a unor termene stabilite trebuiesc urmate. În figura numărul 3 şi figura numărul


- 37 -

4 sunt detaliate activităţile specifice în vederea respectării termenelor impuse pentru

prezentarea celor două referate.

Fig 3. Activităţi specifice referatul numărul 1

Fig 4. Activităţi specific referatului numărul 2

Perioada rămasă din anul academic 2010-2011 va fi folosită pentru îmbunătăţirea

aplicaţiei pe baza feedback-ului primit atât în urma prezentării celor două referate, cât şi în

urma recenziei şi prezentării rezultatelor obţinute la conferinţe, în vederea redactării şi

susţinerii tezei de doctorat.


- 38 -

Posibilele contribuţii aduse în urma acestui proiect de cercetare:

- Îmbunătăţirea algoritmilor distribuiţi de predicţie pentru aplicaţii real time,

cu direct impact în gestionarea traficului;

- Determinarea unui model de simulare al traficului capabil de a ţine cont de

caracterul emergent al participanţilor la trafic;

- Designul unei arhitecturi de senzori wireless (platforma) pentru aplicarea

algoritmului propus;

Toate acestea vor avea ca scop final o aplicaţie robustă pentru gestionarea eficientă a

traficului rutier.


- 39 -

6. Referinţe

[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-saving-

travolution-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”, în 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 Universität

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. 649-

657, 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 în 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.

http://www.parliament.uk/commons/lib/research/rp98/rp98-016.pdf

http://www.motorauthority.com/blog/1023468_audi-starts-trial-of-fuel-saving-travolution-traffic-system

http://www.motorauthority.com/blog/1023468_audi-starts-trial-of-fuel-saving-travolution-traffic-system

http://www.sunatraffic.com.au/index.html

http://ralyx.inria.fr/2007/publications.html?key=necs-2007-id2282507


- 40 -

[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. Barceló, M. Delgado, G. Funes, D. García, 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.


- 41 -

[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. 321–328, 2001.

[28] A. Davison, “Real-time simultaneous localization and mapping with a single

camera”, the IEEE Int. Conference on Computer Vision, ICCV’03, 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. 19–37, 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 în

Artificial Intelligence (UAI-03), 2003.


- 42 -

[36] L. Rabiner, "A tutorial on Hidden Markov Models and selected applications în

speech recognition”, în 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. 736–746, March

2002.

[38] S.K. Zhou, R. Chellappa, B. Moghaddam, “Visual tracking and recognition using

appearance-adaptive models în 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.

sisteme distribuite de senzori pentru gestionarea robustă a traficului rutier

Documents