劉 念 徐良杰 趙 瑋

(武漢理工大學(xué)交通學(xué)院1) 武漢 430063) (內(nèi)蒙古大學(xué)經(jīng)濟(jì)與管理學(xué)院2) 包頭 014010)

0 引 言

汽車(chē)數(shù)量的不斷增長(zhǎng)，停車(chē)需求的日益擴(kuò)張，使得對(duì)停車(chē)場(chǎng)的功能要求越來(lái)越高，停車(chē)場(chǎng)的結(jié)構(gòu)也日漸復(fù)雜[1].為使駕駛員進(jìn)入停車(chē)場(chǎng)后方便快捷的找到合適的泊位，智能化的停車(chē)引導(dǎo)已成為一種發(fā)展趨勢(shì).據(jù)ETCP智慧停車(chē)產(chǎn)業(yè)研究院聯(lián)合第一財(cái)經(jīng)商業(yè)數(shù)據(jù)中心發(fā)布《2017中國(guó)智慧停車(chē)行業(yè)大數(shù)據(jù)報(bào)告》統(tǒng)計(jì)，2016年我國(guó)停車(chē)缺口率達(dá)到50%，而平均空置率也達(dá)到51.3%，現(xiàn)有的車(chē)位并沒(méi)有充分利用[2].停車(chē)場(chǎng)功能及結(jié)構(gòu)的復(fù)雜化使得停車(chē)路徑引導(dǎo)十分重要，目前駕駛員停車(chē)通常采取隨機(jī)停放的方式，常會(huì)發(fā)生在停車(chē)場(chǎng)內(nèi)繞圈搜尋合適空車(chē)位的現(xiàn)象，使得停車(chē)場(chǎng)內(nèi)部交通混亂，極易造成擁堵.停車(chē)場(chǎng)內(nèi)滯留的怠速車(chē)輛還會(huì)對(duì)停車(chē)場(chǎng)內(nèi)空氣質(zhì)量產(chǎn)生局部污染，降低停車(chē)場(chǎng)服務(wù)質(zhì)量[3-4].若能合理引導(dǎo)駕駛員由較為通暢且行駛距離較短的路線(xiàn)前往目標(biāo)車(chē)位停車(chē)，將提高停車(chē)場(chǎng)效率, 其中實(shí)時(shí)的停車(chē)路徑智能算法的選擇十分關(guān)鍵[5].

現(xiàn)有很多研究都集中于交通系統(tǒng)整體的優(yōu)化上，趙瑋等[6]通過(guò)實(shí)地采訪(fǎng)和跟蹤記錄，采集乘客換乘的歷史數(shù)據(jù)，對(duì)數(shù)據(jù)整體分析后進(jìn)行整體火車(chē)站換乘系統(tǒng)優(yōu)化，提高換乘的整體便利性.目前停車(chē)路徑優(yōu)化中常用的是Dijkstra算法[7-8]，從起始節(jié)點(diǎn)開(kāi)始，依次訪(fǎng)問(wèn)其他最靠近的節(jié)點(diǎn)，并逐步進(jìn)行迭代檢查的方式來(lái)找到至目標(biāo)節(jié)點(diǎn)的最優(yōu)路徑.雖然該方法可以搜尋出靜態(tài)情況下至目標(biāo)車(chē)位的最短路徑，但在實(shí)際情況下，由于沒(méi)有考慮實(shí)際車(chē)流量，“最短”路線(xiàn)不一定會(huì)提高車(chē)輛的通行效率.A*算法等[9]啟發(fā)式算法則存在搜尋速度較慢，且可能會(huì)出現(xiàn)局部收斂，最終路線(xiàn)不一定距離最短等問(wèn)題.常用的停車(chē)檢測(cè)手段為地埋式或懸掛式感應(yīng)，但該手段無(wú)法檢測(cè)正行駛在車(chē)道內(nèi)的車(chē)輛，一般只用于停車(chē)位狀態(tài)檢測(cè)[10].

環(huán)境會(huì)對(duì)駕駛員產(chǎn)生影響，若提前用技術(shù)手段獲取相關(guān)視覺(jué)信息并進(jìn)行判斷，可增加對(duì)駕駛環(huán)境的認(rèn)知[11-12].Zhao等[13-14]在路面設(shè)置障礙和傳感器，來(lái)實(shí)地測(cè)試駕駛員對(duì)危險(xiǎn)的判斷能力，利用了深度學(xué)習(xí)和迷糊理論建立的駕駛員對(duì)冰雪環(huán)境下危險(xiǎn)的判斷和避讓能力模型.運(yùn)用CNN卷積神經(jīng)網(wǎng)絡(luò)算法可以通過(guò)直接識(shí)別停車(chē)場(chǎng)內(nèi)各停車(chē)位及通道圖像，獲取停車(chē)位狀態(tài)以及通道路徑上的實(shí)時(shí)流量狀態(tài)，從而在靜態(tài)最短距離路徑的基礎(chǔ)上同時(shí)考慮路徑擁擠程度，綜合選擇行駛至停車(chē)泊位處時(shí)間較短的路徑.

1 停車(chē)實(shí)時(shí)優(yōu)化問(wèn)題

1.1 停車(chē)模型的建立

大型停車(chē)庫(kù)形式多種多樣，建立一個(gè)停車(chē)場(chǎng)的簡(jiǎn)化模型進(jìn)行研究.本文選取停車(chē)場(chǎng)包含一個(gè)出口和入口，每個(gè)車(chē)位前有一條行車(chē)通道相連接，可以依此進(jìn)入車(chē)位.以停車(chē)位為網(wǎng)絡(luò)節(jié)點(diǎn)，將停車(chē)場(chǎng)化為點(diǎn)線(xiàn)結(jié)合的網(wǎng)絡(luò)，其中Pi為停車(chē)位節(jié)點(diǎn)(i=1,2，…N，N為停車(chē)場(chǎng)總車(chē)位數(shù))，xnp賦值為停車(chē)位距離入口(或出口)的距離.當(dāng)停車(chē)位有車(chē)輛停放時(shí)該處停車(chē)位賦權(quán)值0，無(wú)車(chē)輛停放時(shí)賦權(quán)值為1.假設(shè)車(chē)輛在停車(chē)場(chǎng)內(nèi)以速度v勻速行駛.

停車(chē)場(chǎng)通道交叉處定為通道節(jié)點(diǎn)，用Ck(k=1,2，…)表示為通道節(jié)點(diǎn)，R (l,m=1,2，…)為相鄰節(jié)點(diǎn)間的路段.

1.2 車(chē)輛最優(yōu)停車(chē)路徑評(píng)價(jià)

在每段停車(chē)場(chǎng)通道R上進(jìn)行車(chē)輛流量識(shí)別，根據(jù)每段通道上的車(chē)輛數(shù)確定路段通行權(quán)重α.根據(jù)駕駛員最終目標(biāo)車(chē)位，判斷從該車(chē)位至相鄰節(jié)點(diǎn)C的通道路徑距離長(zhǎng)度，乘上權(quán)值α后再次比較并選取較小的節(jié)點(diǎn).將選取的節(jié)點(diǎn)C再依次按上述步驟捕捉下一節(jié)點(diǎn)直至找到停車(chē)場(chǎng)出口(入口).將所選取的各節(jié)點(diǎn)依次連接起來(lái)則為最終停車(chē)優(yōu)化路徑.整體停車(chē)實(shí)時(shí)優(yōu)化流程見(jiàn)圖1.

圖1 停車(chē)實(shí)時(shí)優(yōu)化流程

2 CNN停車(chē)圖像識(shí)別

2.1 CNN卷積神經(jīng)網(wǎng)絡(luò)

CNN卷積神經(jīng)網(wǎng)絡(luò)是一種層次模型，輸入數(shù)據(jù)后(尤其是圖像數(shù)據(jù)或音視頻數(shù)據(jù))，機(jī)器通過(guò)學(xué)習(xí)諸如邊緣和曲線(xiàn)之類(lèi)的低級(jí)特征來(lái)進(jìn)行識(shí)別與分類(lèi)，繼而通過(guò)一系列卷積層級(jí)建構(gòu)出更為抽象的概念.CNN卷積網(wǎng)絡(luò)的核心之一是卷積核，也被稱(chēng)為濾波器.簡(jiǎn)單來(lái)說(shuō)，訓(xùn)練CNN在相對(duì)意義上是在訓(xùn)練每一個(gè)卷積層的濾波器.

卷積神經(jīng)網(wǎng)絡(luò)建立的深度模型[15]，輸入的數(shù)據(jù)是未經(jīng)處理的原始形式，在數(shù)據(jù)層之后再通過(guò)層層操作對(duì)數(shù)據(jù)特征進(jìn)行“學(xué)習(xí)”和“提取”.整個(gè)所有的操作層可以看做一個(gè)復(fù)雜的CNN函數(shù)，函數(shù)損失由兩部分組成，一部分為模型參數(shù)的正則損失，一部分為數(shù)據(jù)損失.整個(gè)模型在運(yùn)行訓(xùn)練過(guò)程中，會(huì)依賴(lài)最小化損失函數(shù)來(lái)學(xué)習(xí)模型參數(shù)，最終誤差還會(huì)存在反向傳播的情況.模型簡(jiǎn)單來(lái)說(shuō)可以看做將原始數(shù)據(jù)中的隱含特征提煉出來(lái)，再進(jìn)行逐層抽象，不同操作的對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)中的不同“層”.卷積操作對(duì)應(yīng)的是“卷積層”，池化操作對(duì)應(yīng)的是“池化層”等等，其中“層”可以進(jìn)行不同組合的堆疊.最后的目標(biāo)任務(wù)形式化為目標(biāo)函數(shù)，同時(shí)模型產(chǎn)生的誤差會(huì)有最后一層逐層向前傳播反饋，并更新模型每層的參數(shù)，更新參數(shù)之后再次正向前饋，循環(huán)反復(fù)直到卷積神經(jīng)模型收斂，得出結(jié)果，見(jiàn)圖2.

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本流程

卷積神經(jīng)網(wǎng)絡(luò)的根本核心是進(jìn)行卷積運(yùn)算.以二維場(chǎng)景中的卷積為例，輸入圖像后，每個(gè)像素作為一個(gè)小單位可化為數(shù)字矩陣，其對(duì)應(yīng)卷積核為另一個(gè)規(guī)模較小矩陣.

2.2 改進(jìn)CNN方法下的圖像訓(xùn)練與識(shí)別

本文采用改進(jìn)CNN算法，訓(xùn)練車(chē)輛參數(shù)模型，獲取停車(chē)場(chǎng)通道上車(chē)輛數(shù)及車(chē)位狀態(tài)情況.通過(guò)停車(chē)場(chǎng)視頻監(jiān)控實(shí)時(shí)監(jiān)測(cè)車(chē)輛目標(biāo)，建立停車(chē)場(chǎng)內(nèi)狀態(tài)參數(shù)矩陣方程，且保存到數(shù)據(jù)庫(kù)中.其中車(chē)輛圖像的識(shí)別與采取YOLO算法，將輸入圖像劃分為S×S的網(wǎng)格，當(dāng)某物體中心落在網(wǎng)格內(nèi)時(shí)，該網(wǎng)格負(fù)責(zé)檢測(cè)該物體.同時(shí)每個(gè)網(wǎng)格還負(fù)責(zé)預(yù)測(cè)邊框、邊框的置信度以及類(lèi)別概率.其中邊框?yàn)锽個(gè)，類(lèi)別數(shù)為C個(gè)，最后預(yù)測(cè)被編碼為S×S×(B*5+C)的張量.具體YOLO算法下的圖像識(shí)別見(jiàn)圖3.每個(gè)網(wǎng)格預(yù)測(cè)多個(gè)邊框，這樣在訓(xùn)練時(shí)就僅需一個(gè)邊框預(yù)測(cè)器來(lái)鎖定目標(biāo)物體.每個(gè)預(yù)測(cè)器專(zhuān)業(yè)化的預(yù)測(cè)特定大小、長(zhǎng)寬比或目標(biāo)類(lèi)別，同時(shí)指定與目標(biāo)重疊度最好的預(yù)測(cè)器來(lái)負(fù)責(zé)，就能改善整體的識(shí)別正確率.

圖3 YOLO算法模型下的圖像識(shí)別

與常規(guī)CNN網(wǎng)絡(luò)圖像識(shí)別相比，YOLO算法簡(jiǎn)易且快捷，它基本可以在不到25 ms的延遲時(shí)間內(nèi)處理動(dòng)態(tài)視頻，具有很高的實(shí)時(shí)性.

3 實(shí)時(shí)停車(chē)路徑優(yōu)化

在停車(chē)場(chǎng)網(wǎng)絡(luò)中，最終目標(biāo)為駕駛員停車(chē)至目標(biāo)車(chē)位總時(shí)間最短，即最優(yōu)選擇停車(chē)路徑較短且停車(chē)延誤時(shí)間最小(因等待錯(cuò)車(chē)或擁擠排隊(duì))的路徑.在視頻分析車(chē)位狀態(tài)，檢測(cè)出節(jié)點(diǎn)間實(shí)時(shí)流量后，停車(chē)路徑優(yōu)化為

(1)

(2)

所檢測(cè)出的每段R上的車(chē)輛將最終計(jì)入整體節(jié)點(diǎn)間的交通交通量中，通過(guò)計(jì)算篩選每一小段“通暢”路段，以最短時(shí)間駛?cè)肽繕?biāo)車(chē)位.

在停車(chē)的最短路是基于“最少”停車(chē)時(shí)間的，并作為算法方程的目標(biāo)結(jié)果.利用在停車(chē)場(chǎng)所獲得的實(shí)時(shí)車(chē)流現(xiàn)狀，并進(jìn)行道路信息和車(chē)流的分析，將停車(chē)場(chǎng)交通狀況作為約束條件考慮，以此建立起實(shí)時(shí)的停車(chē)道路優(yōu)化模型并找尋最佳停車(chē)線(xiàn)路.

4 案例分析

以武漢市宜家停車(chē)場(chǎng)為研究對(duì)象，通過(guò)分析其基本布局和結(jié)構(gòu)進(jìn)行停車(chē)優(yōu)化.宜家綜合停車(chē)場(chǎng)由若干片區(qū)停車(chē)場(chǎng)組合而成，分區(qū)情況及各區(qū)車(chē)位編排見(jiàn)圖4.圖5為截取其中某一分區(qū)停車(chē)場(chǎng)平面示意圖.

圖4 武漢宜家停車(chē)場(chǎng)平面分區(qū)布局

圖5 武漢宜家部分分區(qū)停車(chē)場(chǎng)平面示意圖

運(yùn)用上述優(yōu)化方法選取武漢市宜家大型停車(chē)場(chǎng)為實(shí)驗(yàn)參照，首先對(duì)停車(chē)場(chǎng)狀態(tài)進(jìn)行學(xué)習(xí)與識(shí)別.拍攝實(shí)際停車(chē)圖像輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行機(jī)器訓(xùn)練與識(shí)別，最終可輸出識(shí)別圖像，監(jiān)控附近車(chē)輛檢測(cè)成功率可達(dá)85%，畫(huà)面中遠(yuǎn)處車(chē)輛雖然會(huì)出現(xiàn)檢測(cè)不清的狀況，但可以通過(guò)其他角度攝像彌補(bǔ)該問(wèn)題.

通過(guò)訓(xùn)練行人圖像，停車(chē)場(chǎng)內(nèi)行人也可被檢測(cè)出來(lái)，在一定程度上更加可以增加實(shí)時(shí)優(yōu)化的準(zhǔn)確性.

然后調(diào)查宜家停車(chē)場(chǎng)駕駛員的停車(chē)量、平均速度等為仿真參數(shù).比較優(yōu)化前后選車(chē)位時(shí)平均車(chē)速行駛車(chē)速、停車(chē)時(shí)間、停車(chē)延誤時(shí)間等，見(jiàn)表1.根據(jù)上述優(yōu)化算法編輯C++程序，平均車(chē)速設(shè)定為15 km/h，在相同的停車(chē)量下仿真運(yùn)行一天的停駛狀況.由表1可知，優(yōu)化后停車(chē)延誤降低，停車(chē)平均耗時(shí)約減少63%.

表1 優(yōu)化前后后停車(chē)時(shí)間對(duì)比min

46.532.922.113.95.34.816.43.5

通過(guò)實(shí)地模擬實(shí)驗(yàn)，對(duì)CNN優(yōu)化算法車(chē)輛監(jiān)測(cè)情況進(jìn)行了效果評(píng)估.圖6為不同車(chē)輛數(shù)下，車(chē)輛監(jiān)測(cè)錯(cuò)誤率情況.根據(jù)停車(chē)場(chǎng)視頻監(jiān)控器所能拍攝的視野范圍內(nèi)的車(chē)輛數(shù)，總的監(jiān)測(cè)錯(cuò)誤率在15%以下，且由不同角度的圖像檢測(cè)，將能進(jìn)一步降低錯(cuò)誤率的影響.天氣也會(huì)對(duì)圖像識(shí)別及交通狀況產(chǎn)生很大的影響[16].圖7為天氣不同時(shí)的檢測(cè)錯(cuò)誤率累計(jì)曲線(xiàn)，不同天氣情況下，檢測(cè)的整體效果仍可以達(dá)到精度要求的.若為室內(nèi)停車(chē)場(chǎng)，天氣情況的影響將會(huì)更小.整體來(lái)說(shuō)該方法可以達(dá)到檢測(cè)精度的要求.

圖6 不同車(chē)輛數(shù)下車(chē)輛監(jiān)測(cè)錯(cuò)誤率

圖7 不同天氣情況下車(chē)輛監(jiān)測(cè)錯(cuò)誤車(chē)輛數(shù)累計(jì)情況

圖8對(duì)比分析了四種不同停車(chē)方式分別與本文所采用的優(yōu)化停車(chē)方式的時(shí)間比.在初始停車(chē)情況相同的條件下，四種停車(chē)方式分別為本文所采用的優(yōu)化停車(chē)、就近選取停車(chē)位停車(chē)、隨機(jī)停車(chē)以及選取最遠(yuǎn)的停車(chē)位停車(chē).其中A方式為基于CNN的優(yōu)化停車(chē)方式、B方式為駕駛員第一選擇最近的停車(chē)位、C方式為駕駛員隨機(jī)停車(chē)、D方式為駕駛員選擇最遠(yuǎn)的停車(chē)位進(jìn)行停車(chē).對(duì)比分析可見(jiàn)，本文的優(yōu)化停車(chē)方式降低了整體停車(chē)時(shí)間，增加了停車(chē)效率.

圖8 不同停車(chē)方式與本文優(yōu)化方式停車(chē)時(shí)間比

5 結(jié) 束 語(yǔ)

智能停車(chē)是未來(lái)大型停車(chē)場(chǎng)的發(fā)展趨勢(shì).本文基改進(jìn)的CNN卷積神經(jīng)網(wǎng)絡(luò)算法重點(diǎn)研究了停車(chē)數(shù)據(jù)的采集與分析，從而選取擁擠程度小的較短路徑，達(dá)到了大型停車(chē)場(chǎng)交通組織優(yōu)化的目的.并以武漢市宜家停車(chē)場(chǎng)為對(duì)象進(jìn)行實(shí)證研究，驗(yàn)證了算法的有效性.研究方法可以推廣到具有一定規(guī)模的其他大型停車(chē)場(chǎng)，具有較高的現(xiàn)實(shí)意義與前瞻性.

本文用神經(jīng)網(wǎng)絡(luò)的方法實(shí)時(shí)的視頻檢測(cè)方便快捷，且能大幅提高停車(chē)效率，更加容易進(jìn)行停車(chē)場(chǎng)交通組織.在停車(chē)數(shù)據(jù)采集與分析上具有前瞻性，是未來(lái)高效智能停車(chē)的趨勢(shì).