Resumen

La predicción en tiempo real de la trayectoria del vehículo en intersecciones no señalizadas es importante para la detección de conflictos de tráfico en tiempo real y la alerta temprana para mejorar la seguridad del tráfico en intersecciones no señalizadas. En este estudio, proponemos un método robusto de predicción en tiempo real de movimientos de giro y trayectorias de vehículos utilizando redes neuronales profundas. En primer lugar, se desarrolla un sistema de extracción de trayectorias de vehículos basado en visión para recopilar trayectorias de vehículos y sus etiquetas de giro a la izquierda, recto y a la derecha para entrenar modelos de reconocimiento de giros y redes neuronales profundas LSTM multicapa para la tarea de predicción. A continuación, al realizar la predicción de la trayectoria del vehículo, proponemos el método de tendencia de cambio del ángulo de dirección del vehículo para reconocer el movimiento futuro del vehículo objetivo para girar a la izquierda, seguir recto y girar a la derecha basándonos en las características de los datos de la trayectoria del vehículo objetivo antes de pasar la línea de detención. Por último, utilizamos los modelos LSTM multicapa entrenados para girar a la izquierda, seguir recto y girar a la derecha para predecir la trayectoria del vehículo objetivo a través de la intersección. Basándonos en la plataforma TensorFlow-GPU, utilizamos Yolov5-DeepSort para extraer automáticamente los datos de la trayectoria del vehículo en intersecciones no señalizadas. Los resultados experimentales muestran que el método propuesto funciona bien y tiene un buen rendimiento tanto en la evaluación de la velocidad como de la precisión.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:redes neuronales profundas, vehículo objetivo, intersecciones no señalizadas, trayectorias de vehículos, método de tendencia de cambio de ángulo, detección de conflictos de tráfico temporal, sistema de extracción de trayectorias de vehículos, modelos lstm multicapa, método de predicción temporal, características de los datos de trayectoria
• Keywords:deep neural networks, target vehicle, unsignalized intersections, vehicle trajectories, angle change trend method, time traffic conflict detection, vehicle trajectory extraction system, multilayer lstm models, time prediction method, trajectory data characteristics