赵荣达,王 斌,张立峰,孙 玉,和四勇

(云南省交通投资建设集团有限公司,云南 昆明 650103)

1 高速公路隧道交通安全现状

随着公路建设里程的不断增长,我国长隧道及特长隧道的规模增加十分迅速。交通运输部的统计数据显示,截至2020年,全国公路隧道共21 316处、2 199.93万m。从隧道的里程数和特长隧道的占比来看,在以山地为主的云南地区,隧道交通运行的安全保障尤为重要。伴随着隧道数量的快速增长,隧道交通事故也呈现出上升趋势,且交通事故具有伤亡大、救援难的特点,可见,对于隧道交通的运行安全保障是一个关乎人民生命财产安全的重大问题。

当隧道内发生事故、拥堵等交通事件时,隧道及其近邻路段的交通运行将受到巨大影响。由于隧道内外环境差异,高速公路隧道的结构相较于普通路段比较封闭,空间狭小,产生交通事件后若交通组织不当,滞留车辆将不能及时疏散,极易导致连锁反应,引起整个路段的严重拥堵或发生二次事故,造成更严重的影响。

高速公路隧道交通安全管理是一个涵盖了交通风险时空变换的动态非线性系统,影响高速公路隧道交通安全的风险因素主要包括了驾驶人因素、车辆因素、道路因素、环境因素以及管理因素。与开放路段相比,驾驶人在隧道内行驶时受限速、信息诱导、照明、通风、路面性能、交通量等因素的影响,导致了较大的驾驶负荷,进一步增加了隧道内交通运营的风险,使得隧道路段容易成为高速公路的交通运行的瓶颈路段。随着计算机技术在交通领域的广泛应用以及交通工具娱乐方式逐渐多样化,人类对当下智能交通工具的依赖性逐渐增强,这也成为分心驾驶行为出现的重要诱因,尤其是在隧道内单调的运行环境下,驾驶人容易产生轻视心理,安全隐患极大。

总的来说,高速公路现有交通基础设施愈发难以满足快速增长的交通出行需求,无法提供完善的出行信息服务,因此,建设统一高效的公路运营安全风险管理体系,形成事前主动防控的管理理念,提升高速公路整体运营安全水平是行业发展的必然要求。

目前,我国隧道交通管控缺乏系统性的指挥调度体系,运营数据整理成本高、速度慢、难度大,实际运营数据组织成本高,管理者大多凭经验判断指挥决策,相关理论研究基础较为薄弱,对实时有效管理控制隧道内交通流特别不利,隧道交通运行的安全形势不容乐观。

因此,实现“全方位、全时段、全天候”的隧道交通运行状态监控管理及风险的智能化识别与预警,将有助于提高隧道通行安全和效率,帮助政府和交管部门进行业务管理及分析,形成健全协调的指挥体系,提高数据管理水平,通过多种方式服务出行者。

2 基于视频信息的隧道交通运行参数提取

随着目标检测技术在图像处理、计算机视觉领域得到重要应用,车辆检测技术逐渐在智能交通领域受到广泛关注,利用高速公路隧道侧装摄像头获取车辆运行的高清视频,提出一种基于YOLOv5算法的隧道车辆检测技术,实时获取隧道内车辆的类别和位置信息,并进一步分析得出车辆微观轨迹、速度、流量、加速度、跟车间距等宏微观交通运行参数,为隧道智能化交通管控系统的构建奠定坚实的数据基础[4]。

YOLOv5算法首先将图像分为X×X个网格,每个网格分别负责检测网格中心的目标,由这些网格生成X×X×Y个边界框,每个边界框包含目标宽高尺寸(X,Y,W,H)、目标中心点坐标和是否包含目标的置信度五个参数[5];然后,由X×X个网格预测这个网格中的目标预测边界框的类别概率乘以预测边界框置信度和类别概率,得到每个预测框的类别得分;最后,对这些预测框进行阈值筛选和非极大值抑制(Non-Maximum Suppression,NMS)操作后得到最终的测试结果。

YOLOv5的输入端(Input)采用Mosaic数据增强方法,数据集辅以随机缩放、随机裁剪和随机排列。主干层(Backbone)由Focus模块快速实现了下采样,不仅增强算法的学习能力而且可以保持算法的轻量化。检测层(Neck)由FPN和PAN结合。一般情况下,深层特征图定位信息弱,但具有更强的语义信息,浅层的图像与之相反。PAN从浅层特征层到深层特征层传递定位信息,FPN从深层特征图到浅层特征图传递语义信息,在FPN与PAN组合下,参数聚合由不同的主干层到不同的检测层,很大程度上增强了网络的特征融合能力。输出层(Output)边界框回归损失函数采用CIOU Loss,YOLOv5输出时充分考虑到了长宽比、中心点距离、重叠面积三个重要因素,这让遮挡重叠的目标得到检测,也提高了预测框回归的精度和速度。总的来说,YOLOv5目标检测算法汇集了各个算法网络的优点,让检测速度和精度都有了很好的效果,并且转换格式容易,使部署更方便。

基于专业视频控制系统的集成,根据问题所在位置获取图像的动态画面,方便现场实时控制,实现隧道全方位、全时段的可视化监控管理。

3 高速公路隧道交通管控系统

(1)数据采集层:从现有隧道视频监控系统存储服务器获取隧道侧装视频数据,通过YOLOv5视频检测算法识别车辆,实现对视频车流的智能分析,获取平均车间距、断面交通流量、车流平均速度数据,再从视频事件检测系统和收费系统获取交通事件数据和收费站流量数据。

(2)数据处理层:采用分布式存储系统和关系型数据库相结合的数据存储方式,综合应用信号处理、统计学、人工智能、模式识别、认知理论等多学科知识,形成统一坐标系、车辆运动状态、全方位驾驶场景、驾驶员控制状态等融合数据,依托各种隧道设施(红绿灯、信息牌、车辆探测器等)信号,依托车辆高精度地图、隧道网络等数据,对异常交通事件进行识别和跟踪,进而结合交通事件以自主研发的隧道智能安控云平台、隧道域控制器等输出数据作为决策层的输入信号。

(3)数据决策层:利用数据处理层的输出数据,形成车辆行驶行为规划的决策指令和隧道内异常事件的预警信号。同时控制隧道内照明和通风设施的联合应用,调用智能服务模块,针对隧道异常或事故发出应急信号。

(4)数据应用层:用户和交管部门通过高性能、低延时的通信载体(5GNR、LTE-A、DSRC等),通过高效传输的5G技术及强大的人工智能算力和算法,实现隧道内交通运行状态实时监测,车-车,车-路数据实时同步,路况实时动态感知,为车辆实时提供交通环境信息。在多维数据赋能条件下,精准识别隧道内突发事件,基于三维地图、视频图像序列对交通运行状态、交通管控位置等进行可视化监测。实现交通运行监测、状态判别、参数预测、风险预警、管控预案、三维可视化、车辆实时仿真等功能。

4 工程应用效果

为有效提升公路隧道运营风险预警和智慧管控的水平,助力云南以特殊的区位优势融入“一带一路”倡议及RCEP建设中,发挥云南在国际经济发展圈中的作用,隧道智能安控系统利用交通大数据深度学习算法、三维高精度地图、分布式计算与存储等技术进行系统开发,实现基于隧道侧装摄像头视频的交通流数据实时检测、处理与应用,支持隧道可视化交通运行监测、隧道风险识别、风险主动管控、应急协同联动、智慧管控等功能,如图1所示。

图1 系统总体框架

系统在云南省汕昆高速阳宗隧道进行了实际运行测试,总体性能达到了预期设计目标,能够准确描述隧道交通运行状态,及时发现交通运行风险,在三维可视化管控、交通监测、风险预警及大数据融合分析方面取得一定成效,隧道基本信息如表1所示。

表1 隧道基本信息

通过确定车辆在三维地图上的位置,实现三维地图与车辆高频轨迹点的匹配,基于三维地图直接展示隧道基本路段、匝道、匝道-主线连接段通行能力,实时计算交通状态、交通参数和交通事件等交通状态数据,预测交通风险位置和等级预警提示等,交通运行风险评估指标具体如表2所示。

表2 交通运行风险评估指标

可以看出,系统能够准确实现隧道交通运行参数的信息提取,并通过相关风险指标的计算,为隧道交通运行异常状态的识别及管控提供有力的支持。同时,通过分析流量差、速度差等风险指标,可以得到各车道之间流量、速度的不均衡性,可反映由于追尾、抛锚等事件导致的车道瘫痪现象,为隧道管制方案的制定与设计提供一定的理论支撑。

通过对分布式数据库进行清洗、挖掘,并基于图形图标等多种方式对实时交通数据、预测数据、历史数据等进行展示和比较分析,汇聚隧道完备数据集,为交通运行场景准确识别、实时预测预警、管控信息发布提供主动风险防控直观可靠的可视化结果。

系统的设计充分考虑到高速公路管理的实用性、安全性、先进性以及标准化等原则,为了充分发挥隧道交通运行动态分析功能,在硬件、网络和平台软件的建设方面充分考虑到高速公路运营管理的特点,基于实时、准确的隧道视频交通流检测数据和隧道交通运行预警管控流程、方法、参数及模型技术体系,开发了大数据后台软件系统,实现了该隧道运行交通流数据监测、状态判断、参数预测、风险预警和管控预案等应用功能。

在各子模块的界面设计上,充分考虑了监管人员的体验与习惯,提供二维平面、三维立体隧道样式,以及自由模式、经典模式界面的任意切换,实现了工作场景的多方面覆盖,提升了用户操作的便捷性和实用性。

5 结 论

根据高速公路隧道交通管控技术,项目团队开发了隧道交通运行动态仿真平台,并搭建了高速公路隧道交通运行管控可视化平台,并于云南省汕昆高速阳宗隧道进行了应用。可以看出,基于视频信息的高速公路隧道交通管控技术可在充分利用隧道原有机电、安控设施的基础上,通过后端算法,利用高速公路隧道侧装监控视频,实现了交通运行监测、状态判别、参数预测、风险预警、管控预案、三维可视化、车辆实时仿真等功能,可为高速公路交通运行安全提供有力保障。