Apr, 2023

基于边缘计算的智能交通管理与信号系统，用于在高峰期指导应急车辆

PDF
TL;DR本文介绍了一种基于 Edge 技术的三相系统，通过图片处理和计算 Index 值以检测拥堵程度，判断是否有紧急车辆，并在边缘服务器上进行处理和决策，从而减轻云服务器的负担，提高实时系统的可靠性。
traffic managementcongestion detectionemergency vehiclesedge technologyreal-time system
发现论文，激发创造
  • 学习协作式车辆路线调度方法，助力应急车辆快速到达

    LEVID 是一种学习驱动的协作车路调度方法，包括实时路径规划和协作交通信号控制模块，能够相互交互并迭代地做出决策，实验证明其优于现有的基线方案。

    Feb, 2022

  • AI 在道路上：智慧城市中交通事故和事故检测系统的综合分析

    该研究综合分析了美国不同地区的交通事故，并提出了一个使用交通监控摄像头和动作识别系统进行事故检测和交通分析的框架，将该框架与紧急服务整合，以提高交通事故的响应效率并减少人为错误。此外，研究还探讨了智能交通事故检测系统在智能城市中的应用，旨在改善交通管理和减少交通事故的严重程度。

    Jul, 2023

  • 智慧基础设施：一个研究交汇点

    本文介绍了在德国阿沙芬堡一个公共城市交叉口设立的智能研究基础设施，它配备了可视传感器技术和数字孪生，在数据生成、评估新的高度自动化驾驶传感器系统、算法和使用真实、合成和增强数据的人工智能培训策略的研究中发挥着关键作用。

    Jul, 2023

  • 边缘辅助机器学习支持的城市路口车辆避撞系统

    运用多接入边缘计算平台，基于历史数据和编码 - 解码循环神经网络，提出一种预测车辆轨迹和解决交叉路口预防性碰撞的不确定性感知框架，通过触发警报指示碰撞车辆制动，成功避免模拟危险情况。

    Apr, 2024

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017

  • 城市道路交通网络中十字路口管理的市场化方法

    该论文提出了一种使用智能交通管理基础设施来管理未来城市道路网络的分布式机制，其中智能自主车辆通过软件代理操作以安全高效地穿过道路网络，并结合竞争性市场所得到的交通分配策略，构建了一个自上而下的管理机制。

    Jan, 2014

  • 基于 Faster R-CNN 深度学习方法的智能车辆交通管理

    通过基于 Faster R-CNN 的深度学习方法，研究了车辆的分割问题，在自适应背景模型的最小化、基于 Faster R-CNN 的子网络操作、Faster R-CNN 初始细化以及扩展拓扑活跃网的结果优化等四个步骤中得到了解决，并通过拓扑活跃网变形模型实现了更高的分割准确性。实验结果证明了这一计算框架的优越性。

    Nov, 2023

  • 智慧城市范围内智能应急交互响应系统的疏散管理框架

    提出了一种智能互动应急响应系统，利用人工智能和传感器融合技术，优化城市中家庭、道路和公共设施等三个应用场景中发生事故的实时动态模型，进而将现有的应急响应系统转变为智能化互动系统，提高公共服务和居民生活质量。

    Mar, 2024

  • 基于深度神经网络的通用嵌入式硬件入口流量估计

    使用图像处理和机器学习方法，基于边缘检测的实时交通强度估计系统在树莓派单板计算机上实现，为大规模部署提供了经济有效的解决方案。

    Oct, 2023

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021