[发明专利]自适应和/或自主交通控制系统和方法

说明书

技术领域

本发明总体上是指交通控制，具体涉及到自适应和/或自主交通控制的系统和方法。

背景技术

神经网络技术已经发展了几十年，其中通过使用模拟大脑功能的软件或电路来解决实时计算的问题已得到解决。人类大脑包含大约1000亿个神经元。大约30亿个神经元专用于视觉皮层，只是大脑的几个感觉输入来源之一。使用神经网络技术的小到中等人工智能系统已经成功地用于许多现实应用中，诸如用于工业过程分类或质量控制功能的模式识别，以及实时导航和躲避碰撞系统，其结果已达到或超过人类的能力。例如，DARPA已研究出使用神经网络技术的自主车辆，旨在穿过广阔的危险沙漠地形或通过城市道路。

人脑和人工神经网络都能存储记住的视觉图像、其他感觉输入及其相关序列并根据那些感觉输入来进行实时预测(即决策)。如同具有比人类更小的脑部的其他适应性强的动物一样，适度大小的人工神经网络系统可以在有些工作上表现的很好，前提是这些工作与“大脑”尺寸相匹配。交通信号灯控制器在现代社会中发挥着重要作用，并且对于新兴的神经网络技术而言，是一个很好的技术挑战。

目前，量产的实用性固态设备为许多现实问题提供了经济的解决方案。当前的和已提出的固态技术，例如闪存和忆阻器设备，提供了极高密度的、模拟的、非易失性存储元件，非常适合于构建高密度固态模拟神经网络设备。具有40亿个晶体管或更大尺寸的典型闪存阵列可以产生具有400万或更多个神经元的神经网络设备。虽然人类大脑能够进行令人难以置信的复杂模式识别和预测，但具有少得多的神经元的人工智能系统却可以完成重要的现实世界任务。当前，固态神经网络设备通过利用诸如借助集成数字信号处理(DSP)模块减小输入数据流的大小等技术，可以缩小人类和人工神经网络技术之间的差距。

人工模拟神经网络具备识别引擎，通常采用K-最近邻(KNN)或径向基函数(RBF)非线性分类器，或两者同时采用。虽然KNN分类在仅寻求与识别模式最接近的匹配的应用中是有用的，但是RBF分类凭借其“是，不，或不确定”的输出状态在交通控制应用中显得尤为有用。除了具有这种DSP和分类模块之外，当前的固态设备还可以通过互连实现更大的、多层的神经网络。因此，本发明的内容可以利用现有技术，或者利用具有更大神经元容量的未来设备，或者利用具有本文描述的所有技术的未来完全集成的固态设备来实现。

此处所提的系统和方法的某些优点对具有自驾经验的读者而言是显而易见的。其中，目前的车辆传感器对驶入车辆的识别并不准确，迫使交通流在交通信号灯改变之前中断。或者，如将要提出的，旨在提供预先交通流量信息的传感器不能完全理解驾驶员意图，导致当前交通灯控制系统做出了不正确的决策。虽然混合动力汽车技术可以通过捕获车辆停止时可能失去的能量来提高效率，但其在调节交通流量以最大化总吞吐量、最小化累积的车辆等待时间方面更有效。车辆等待时间等于乘客等待时间，因此改善的交通流量可以使得燃油经济性和驾驶员生产率等方面得到改进。本发明的创新包括能够提供综合的交通控制系统功能，例如各种特征和各方面功能的完全实现。

其他方面和与总体系统性能相关的创新相一致，而这些总体性能由通过神经网络进行的实时、并行识别和交通流决策选择而决定的。与人类观察者或交警一样，交通流需求的一个全面、总体的图像产生通过交叉路口的最佳交通流的即时决定。因此，根据一些实施方式，神经网络的中间层级聚集这样的总图片，并根据该图片选择特定的最佳交通信控配时。通过一个完全集成固态装置的系统，可以实现比现有的基于数字处理器实现算法的系统好的多的性能。

发明内容

本发明的各方面可以包括或涉及用于提供对要求通过交叉口的所有类型的交通的高精度识别的系统和方法，以添加和改善对这种交通的识别，优化通过交叉口的优先流量，和/或适应新的交通类型、技术、优先级和/或交通流需求。在一些实施方式中，神经网络阵列可以用于存储识别的交通对象及其交通流模式，使得能够由本地交通信号控制器进行自主交通流控制而不使用系统范围内的、中心同步或静态的预定数字控制算法。

缺点可以根据本发明的各方面通过提供用于交通信号灯的改进的控制系统和方法来克服，这将能对驶入交通的类型和意图做出更好的决定，同时通过人工智能方式，以具有实时自适应学习能力和可升级性的基于控制器的神经网络的形式，来减少初始安装和长期升级成本。

因此，与本发明的一个或多个方面相关的优点包括具有优于数字控制系统固定算法的、能够优化交通流控制的实时自适应能力。