Resumen

Obtener las trayectorias de todos los vehículos en un tráfico congestionado es esencial para analizar la dinámica del tráfico. Para llevar a cabo un análisis eficaz utilizando datos de trayectorias, se necesita un marco que permita extraer los datos de forma eficiente y precisa. Desafortunadamente, la obtención de trayectorias precisas en el tráfico congestionado es un reto debido a las falsas detecciones y errores de seguimiento causados por factores en el entorno de la carretera, como los vehículos adyacentes, las sombras, las señales de tráfico y las instalaciones de la carretera. Los vehículos aéreos no tripulados (UAV), con la incorporación del aprendizaje automático y el procesamiento de imágenes, pueden mitigar estas dificultades gracias a su capacidad para planear por encima del tráfico. Sin embargo, falta investigación sobre la extracción y evaluación de trayectorias de vehículos en tráfico congestionado. En este estudio, proponemos y comparamos dos marcos basados en el aprendizaje para detectar vehículos: la característica de canal agregado (ACF), que se basa en características creadas por el ser humano, y la red neuronal convolucional más rápida basada en regiones (Faster R-CNN), que se basa en características generadas por datos. Ampliamos los resultados de detección para extraer trayectorias de vehículos en condiciones de tráfico congestionado a partir de imágenes de UAV. Para eliminar los errores asociados al seguimiento de vehículos, también desarrollamos un método de postprocesamiento basado en restricciones de movimiento. A continuación, realizamos análisis detallados de rendimiento para confirmar la viabilidad del marco propuesto en una autopista congestionada de Corea. Los resultados muestran que la R-CNN más rápida supera a la ACF en imágenes con objetos grandes y en aquellas con objetos pequeños si se proporcionan datos suficientes. Este marco extrae las trayectorias de los vehículos con gran precisión, lo que permite analizar la dinámica del tráfico a partir del entrenamiento de un número reducido de muestras positivas. Los resultados de este estudio proporcionan una pauta práctica para construir un marco que extraiga las trayectorias de los vehículos basándose en unas condiciones dadas.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:tráfico congestionado, trayectorias de vehículos, marco, vehículos, r más rápida, dinámica del tráfico, vehículos aéreos no tripulados, característica de canal agregada, condiciones de tráfico congestionado, red neuronal convolucional
• Keywords:congested traffic, vehicle trajectories, framework, vehicles, faster r, traffic dynamics, unmanned aerial vehicles, aggregated channel feature, congested traffic conditions, convolutional neural network