استفاده از روش های پردازش هوشمند برای بهبود ایمنی سیستم های حمل و نقل

چکیده

کلمات کلیدی

1.مقدمه

2.تجزیه و تحلیل تصویر جلو

2.1فرضیات

شکل 1: تجزیه و تحلیل تصویر جلو

2.2ایده سیستم

شکل 2: روند تقسیم بندی و طبقه بندی.

جدول 1 نتایج الگوریتم تقسیم بندی. 

3.نظارت جاده

شکل 3. نتایج نظارت جاده و نقطه جمع آوری داده ها

4.نتایج نظارت ترافیکی

شکل 5. توزیع زمان سفر برای دو ترافیک مختلف (ثبت در 15 دقیقه)

5.مدل زمانی سفر

MLP6. - توزیع کننده

شکل 6. میانگین زمان سفر برای ترافیک عادی در عملکرد روزهای هفته و زمان در طول روز (سمت چپ). زمان سفر برای ترافیک طبیعی و عملکرد گاما، عادی و بتا تطبیق داده های واقعی (سمت راست).

شکل 7. زمان سفر برای ترافیک عادی در عرض یک ساعت (9 صبح - سمت چپ و 9 بعد از ظهر - سمت راست) و توزیع گاما در نظر گرفته شده است.

6.1تحلیل مشکل واقعی 

شکل 8: نسبت پذیرش برای 4 روز (چپ) و 14 روز (راست) وسایل نقلیه برای سیستم مدیریت میرا و اکتشافی

7.نتیجه گیری

این مقاله استفاده از روش های پردازش هوشمند در وسایل نقلیه را برای افزایش ایمنی فعال بدون دخالت در روند رانندگی را ارائه می دهد. ما سه جنبه را در نظر می گیریم. هدف اصلی در درجه اول، واکنش راننده است. سیستم - بر اساس روش کار آنلاین و به صورت بر خط کار می کند –و تصاویر پیش روی وسیله نقلیه تحلیل می کند و رویدادهای جاده را شناسایی می کند. جنبه دوم - دستگاه های نظارتی با این روش قادر به استفاده از تکنیک های تشخیص خودکار شمارنده صفحات برای ثبت و ذخیره پارامترهای مختلف برای وسایل نقلیه به روش اتوماتیک توسط تکنیک های شناسایی ویدیویی می شوند. داده ها اخذ شده از دستگاه های نظارتی برای تجزیه و تحلیل زمان سفر وسایل نقلیه - مولفه سیستم حمل و نقل مورد استفاده قرار می گیرد. ما مدل زمان سفر را با در نظر گرفتن وضعیت جاده واقعی ساختیم. جنبه ایمنی نهایی بر اساس روش اعزام هوشمند است.

در مدیریت سیستم های حمل و نقل، مدل سازی و شبیه سازی طیف وسیعی از مشکلات پیچیده را ایجاد می کند. چالش هایی که باید حل شود طیف گسترده ای از از مسائل و مشکلات را به همراه دارد. ساختار پیچیده هر سیستم حمل و نقل، دلیل اصلی این وضعیت است. عملکرد سیستم می تواند توسط انواع گسل های مربوط به وسایل نقلیه حمل و نقل، زیرساخت های ارتباطی یا حتی با احتساب ترافیک یا منابع انسانی نقض شود. آربز 2007 ، انانوستوپولوس و همکاران 2006. هر بخشی از سیستم با یک مجموعه کاملا منحصر به فرد از ویژگی های مشخص شده است. در ابتدا تفکر درباره ایمنی در اتومبیل و ترافیک آسان نیست. طبقه بندی مدرن ایمنی و درک آن در دهه 60 قرن بیستم ظاهر شد - ویکر (2004). ایمنی فعال اشاره به سیستم هایی دارد که به جلوگیری از حوادث کمک می کند - در این زمینه سیستم های ساده مانند ترمز یا خود راننده می توانند باعث رانندگی درست شود و از تصادف جلوگیری کنند. دومین اصطلاحی که به طور گسترده ای استفاده شده است ایمنی منفعل است که با مجموعه ای از سیستم های کاهش اثرات یک تصادف مرتبط است - کیسه هوا و یا کمربندهای ایمنی در شروع تصادف کار ساز هستند – سانسو و میلوت (1999). چند سال گذشته این روند را نشان داده است که در صنعت خودرو برای توسعه سیستم های ایمنی فعال پیشرفته مانند ESP (برنامه پایداری الکترونیکی)، لاین آلرت و اپل آی در حال رشد است - ویس(2006). آینده سیستم های ایمنی به ایجاد راه حل هایی کمک می کند که از بسیاری از موارد از حوادث جلوگیری می کند. با وجود این که روش های محاسبات هوشمند در بسیاری از زمینه های صنعتی و علمی (به عنوان مثال صنعت حمل و نقل هوایی، شیمی و یا مدل های آب و هوایی) استفاده می شود، اما استفاده آنها در صنایع خودروسازی هنوز به ویژه در ارائه راه حل های ایمنی در حاشیه قرار دارد. البته این درست خواهد بود اگر مثلا ESP "سیستم هوشمند" نامگذاری شود، اما مفهوم "هوش" نه تنها بر مبنای اثرات کار اش بر نحوه انجام کار می باشد (ESP با استفاده از بسیاری از سنسورها و الگوریتم های خاص کار می کند، اما از شبکه های عصبی یا منطق فازی استفاده نمی کند). شرکت های خودرویی چند راه حل دارند که می توان آنها را به صورت هوشمند توصیف کرد. Opel دارای سیستم OpelEye است که علامت های جاده را به رسمیت می شناسد و اثرات آن را به عنوان علامت های جاده بر روی صفحه نمایش در داشبورد نشان می دهد. این سیستم ایمنی را نسبت به تعریفش افزایش می دهد. سیستم BMW از یک دوربین باند مادون قرمز استفاده می کند. سیستم می تواند عابر پیاده یا دوچرخه سواری را روشن نکند و شکل شان را بر روی صفحه نمایش در داشبورد نشان می دهد. هر دو سیستم از روش های محاسباتی هوشمند استفاده می کنند. با این حال مشاهدات بازار خودرو به این سوال که چرا تعداد سیستم های هوشمند بسیار کم است پاسخ نداده است- آن (2005)، -بین آکیوا و همکاران (2003). با این وجود شرکت های خودروی دیگر سیستم های هوشمند را که با تعریف ایمنی مرتبط نیست، توسعه می دهند. یک مثال از فیات و مایکروسافت ارائه شده است. این دو شرکت سیستم "آبی و من" را توسعه دادند که به راننده اجازه می دهد با استفاده از صدا با خودرو ارتباط برقرار کند. این رویکرد واضح نیست اما مثل پاسخ دادن به تلفن همراه با استفاده از صدا می ماند ("بلو و من " ) از بلوتوث برای برقراری ارتباط با تلفن همراه استفاده می کند) می تواند برای افزایش ایمنی در نظر گرفته شود. سانسو و میلوت و (1999)، گارتنر و همکاران (1998). این مقاله از روش های پردازش هوشمند در وسایل نقلیه را برای افزایش ایمنی فعال بدون دخالت در روند رانندگی استفاده می کند. ما سه جنبه را در نظر می گیریم. اولین هدف اصلی ، واکنش راننده است (بخش 2). راننده تصاویر را در مقابل وسیله نقلیه تحلیل می کند و سعی می کند تصمیم بگیرد که کدام واکنش مناسب برای یک رویداد جاده ای خاص انجام دهد. وضعیت زمانی که واکنش راننده خیلی کند است، اغلب اتفاق می افتد (بارسلو و همکاران2005). این سیستم باید در تجزیه و تحلیل تصاویر در مقابل وسیله نقلیه و شناسایی رویدادهای جاده ای سریع تر از انسان خوب عمل کند. این سیستم باید در مورد هر رویداد شناخته شده راننده را مطلع کند. اطلاعات در مورد شناخت باید به عنوان یک صدا یا به عنوان پیام تصویری ارسال شود. نوع پیام با شرایط خاص مرتبط است. این سیستم بدون هیچ گونه ارتباط با هر نوع پایگاه داده یا سایر منابع از راه دور، بدون هیچ گونه ارتباطی با یک راهبرد اتوكیک است و باید در چرخه حیاتش موارد را یاد بگیرد. موقع "روشن شدن" باید از روشهایی که قبلا گرفته شده است شروع به یادگیری کند. جنبه دوم - دستگاه های نظارت (بخش 3) قادر به استفاده از تکنیک های شناسایی خودکار شماره (ANPR) برای ثبت و ذخیره پارامترهای مختلف برای وسایل نقلیه به رسمیت شناخته شده به صورت اتوماتیک با تکنیک های تشخیص ویدیو هستند. شماره ثبت، مدل و ساخت (MMR) وسایل نقلیه در پایگاه داده به رسمیت شناخته شده و ذخیره می شود. پارامترهای جمع آوری شده برای تجزیه و تحلیل مسائل مربوط به زمان واقعی سفر مربوط به کامیون های حمل کننده کالاها در میان گره های سیستم حمل و نقل مورد بحث قرار می گیرند (بخش 4). ما سعی می کنیم تغییرات را در طول روزهای متوالی در یک هفته و همچنین در طولانی مدت، با توجه به مسائل مربوط به ترافیک و دیگر موقعیت های فوق العاده مانند سقوط، و یا شرایط بسیار بدی آب و هوایی که می تواند تاثیر قابل توجهی در سفر معمولی بگذارد بررسی کنیم. گام بعدی این است که به طور کلی نتایج تجزیه و تحلیل زمان سفر به مدل زمان سفر (بخش 5) تعمیم دهیم. چنین مدل مبتنی بر داده های واقعی از سیستم نظارت بر جاده می تواند بخش مهمی در یک شبیه ساز بزرگتر برای سیستم های حمل و نقل گسسته باشد، زیرا رفتار آن بسیار شبیه به سیستم واقعی است. جنبه ایمنی نهایی بر اساس روش توزیع هوشمند (بخش 6) است. ما برای بهبود بهتر - معقول تر - استفاده از وسایل نقلیه، واکنش سریع تر و دقیق تر در شرایط فوق العاده ای در جاده ها و همچنین بهترین بازگشت به حالت پایدار پس از سقوط عمومی در سیستم حمل و نقل، مبارزه می کنیم.