实践案例与问题挑战

赛文交通网 智能交通 智慧交管 交通雷达

编者按：9月6日，在赛文交通网和交通安全行为科学实验室联合主办的“雷达（雷视）实战应用效果”线上交流会上，南宁市交警支队科研所副所长唐扬作了《南宁市交警支队信控感知应用成果分享》报告。

车辆检测器与交通信号控制关系密切，近年来各类检测器品类繁多、各有千秋，尤以雷达、雷视检测器的应用较多。唐扬首先介绍了检测器的发展历程，并分享了南宁市交警支队在自适应控制、动态绿波控制、匝道控制方面的实践案例，最后对行业面临的问题与挑战进行了总结。

01、检测器发展

经过科技的进步，交通检测器也在不断发展，目前常用的交通检测器大致可以分为4类。

一是以线圈为代表的断面型检测器，主要输出单个断面通过的车辆信息，以计数或触发为主，难以进行单车身份的识别和较大区域性的交通流检测。

二是以断面的单车识别为主，如视频蓝牙、RFID等，可以在某个断面实现单车级信息的采集，而对于路段区域层面的排队长度等参数则无法直接精准检测。相对第一类设备而言主要增加了在断面层面对单车的识别。

三是单车识别+区域检测，在单车识别的基础上，可以实现区域性参数的直接输出，如多目标雷达、高清视频 、雷视一体机等，在不考虑精度的情况下，能够获得的信息类型相对而言得到了较大的丰富。

四是高精度单车识别，可实现精准的单车身份识别，即浮动车数据或车联网级的数据，可以获得每辆车的实时位置信息。基于此无论是单车识别还是断面计数、区域交通状态都可以精准输出，达到了“全息”的效果。

目前第三类设备在南宁市的应用较多，第四类的技术也有，但是覆盖率还不足，不过真实的应用效果有时还达不到第一类。

众所周知，线圈地磁类的检测的优点在于技术成熟，成本较低，环境适应性强，检测精度也比较高，但主要满足车辆技术的要求，难以实现车辆信息的采集，区域范围检测的功能也不是很好，特别是平时的运维成本也比较高。

第二类雷达检测器现在应用较多，环境适应性强，检测范围大，能覆盖多条车道，输出信息更多，比如排队长度车速等，但无法识别车辆信息，对静止或低速车辆的检测效果较差。

第三类视频检测器的优势在于可以采集车辆信息并形成可视化的结果，检测区域较大，可检测多条车道，但是由于采用光学方法采集数据，很容易受到外界环境干扰，且镜头易受到各种物理因素的影响。

第四类雷视一体机结合了雷达和视频的特点，可以输出的数据种类更丰富，但数据融合技术需要技术支撑，实际效果需要验证，安装、调试、维护要求较高。

第五类浮动车数据属于轨迹数据，是连续数据，可以较好支撑交通状态分析，对于感知设备覆盖不到的地方很有意义，但受限于APP的用户流量，只能作为采样数据进行参考，难以把握实时性，且采样比例通常偏低，融合处理技术难度大。

综上所述，检测器各有优劣，应用时还需要因地制宜进行考虑。

赛文研究院发布的《2023年中国道路交通毫米波雷达市场研究报告》显示，雷达检测器从2020年开始一直呈增长趋势，近三年的出货量和市场规模增长率都超过10%。

究其原因，主要在于《公安交通管理三年行动计划（2021-2023）》对城市交通检测配置率提出要求，同时随着用户对雷达检测器适应性强、数据精度较高、检测范围大等特性的认可，造成雷达检测器在城市智能交通领域得以广泛应用。

有85%的信号机厂商在新建项目中优先选择雷达和视频采集方式，是目前市场使用最广泛的采集设备。此外还有77%的项目中选择了雷视一体机的交通采集方式，38%的厂商选择了地磁采集方式。雷视（雷视）检测器在现阶段来说因其性价比高，在信控控制方面得到了广泛应用。

02、南宁案例分享

下面分享三个南宁市的治理案例，分别是单路口、多路口动态绿波以及匝道动态控制。

单路口一良庆区五象-宋厢路口

南宁市良庆区五象宋厢路口是典型的单点自适应建设案例。我们在路口4个方向安装了雷视设备，通过雷视设备实时获取路口交通流量、排队长度、车道占有率、停车次数、延误时间、车头时距等基础数据，上传至路口信号机，根据实时监测数据优化信号灯方案，以提高路口通行能力，缓解交通拥堵。

在路口某个方向是绿灯状态时，雷视设备感知到无车辆通行或通行车辆较少后，系统则缩短当前方向绿灯时长并快速切换至另一方向，提高绿灯利用率，减少平峰期“空等空放”，均衡高峰期排队等待时长，最大限度优化道路交通通行效率。

五象-宋厢路口交通信号流量检测设备安装及探测范围示意图

根据优化前后的数据对比，可以看到一方面优化后信号周期-流量变化更加匹配，各方向绿灯利用率得到了提升；另一方面可以看到各方向绿灯损失时间的统计情况，绿色大幅下降，东-西主干道方向通行情况得到明显改善。

优化后，五象大道主干道东-西方向平峰期平均排队长度明显下降，降幅超20%，整体路口的交通状态得到了改善。优化后，高峰区段五象大道主要流向的交通流量得到了明显提升，最高可达13.6%。

多路口动态绿波——东葛新民路口

通过开展自适应控制路口的通行效率得到明显提升的案例是东葛新民路口，这个是一个多路口的动态绿波案例。一般来说单纯感应控制只依靠检测器检测到的车流情况，以此决定增加绿灯时长或者提前切换绿灯状态，未进行综合分析，比如并未考虑下游路口的拥堵状态。

南宁市交警在东葛新民路口实施了自适应控制方案，计算各个方向的车流量、排队长度、停车次数、车流密度等多元指标，形成更加科学的配时方案，对下游路口是否有车流溢出也进行了综合考虑。

通过视频、电警和雷达采集到的多元数据，经过数据的清洗、预测、补偿来分析交通流量、车道占有率、排队长度等指标，对相位差以及绿灯时长进行优化调整并下发给信号机进行执行，通过对优化后的评价指标进行分析，形成一整套采集处理，优化评价的流程。

除了在东葛新民路口实施了自适应控制方案，我们以该路口为关键路口，设计了东葛路（新民路-园湖路）的动态绿波协调，实现了东葛路5个路口绿波信号配时的动态调整。全天平均停车次数减少26.7%，双向平均行程时间减少31.5%；高德平台数据显示，高峰平均拥堵指数降低约16.1%，优化效果良好。

周期-流量曲线图（方案周期随着流量变化同步调整）

匝道动态控制-南宁快速环路

下面介绍南宁快速环路匝道动态控制案例。南宁市快速环路是南宁市的交通主动脉，串联了南宁市的东西南北，是南宁的一环，尤其是早晚高峰车流量极大，易发生交通拥堵。为缓解这个问题，我们启动了南宁市快速环路的匝道信控项目，这也是近年来南宁市的重点项目。

项目共覆盖99个匝道出入口，根据匝道的特点分为入口匝道，出口闸道、拥堵出口三类，安装雷视设备采集上下游流量及排队情况等，通过对视频、互联网轨迹、传统流量检测器雷达流量检测器等多源数据进行融合处理，感知真实交通流变化状态，实现“多维分析研判-全域智能优化-控制效果评价”的闭环业务流程管控，有效提高系统精细化程度和管理效率。

项目以“主路保效率、辅路保秩序”为总体目标，以匝道入口、出口为关键节点，构建时空分析路网模型。如下图所示可以看到，交通检测分析涵盖匝道口主路上游、主路下游、辅路上游、辅路下游、快速路段5个区域，基于雷视、电警、互联网等多源数据的融合分析，实现匝道的全面感知和动态调控。

下面我以葫芦鼎大桥干线（由西向东路段）南五里入口为例进行介绍，该路段相邻的三个匝道口分别是江南汽车城入口，体工队宿舍入口和南五里入口。

当检测到主路缓行时，我们采用江南汽车城前入口、体工队宿舍前入口交替放行的方式，以防止拥堵程度恶化；当检测到主路拥堵时，我们将江南汽车城前入口、体工队宿舍前入口匝道临时关闭，控制汇入主路的车流，引导车辆在辅道行驶，避免主路堵塞。

通过优化，在高峰时段主干线整体排队长度减少5.96%，平均车速提升64.43%，平均拥堵时间缩短10~12分钟，取得了不错的效果。

03、问题与挑战

虽然目前我们在多个方面取得了不错的成果，但还存在相关问题需要进一步研究，主要有以下三方面。

首先是行业标准比较滞后。目前关于检测器的国标、行标、团标都有发布，今年10月1日即将实施的 GB/T 20609-2023微波交通检测器最新标准用于替代原有的2006版，这说明业内非常重视检测器的相关技术要求，但以上标准除行标GA/T 920-2010属于通用协议，其他标准仅针对雷达检测器提出技术检验要求，且未覆盖雷视一体设备。

且相比于视频的GB/T 28181协议，缺少信息传输、交换、管理相关的技术要求，在实战中很难定义一套标准化的数据要求，这也导致不同厂商的产品型号、内容难以统一，给项目建设和项目应用带来了技术壁垒，兼容性较差。

其次是行人/非机动车检测能力缺失。南宁市拥有庞大的电动自行车群体，截至目前，南宁市电动自行车保有量超过400万辆，且电动自行车出行占据南宁市交通出行相当大的比重。传统的信号控制由于检测数据问题，仅关注机动车的情况。虽然在信号控制交通仿真理论上都有考虑行人和非机动车的参数，但理论研究较多，缺乏数据支持导致难以与实践挂钩。

目前对行人和非机动车的检测应用最多还停留在违法抓拍，视频设备难以处理混乱汇聚的人流和非机动车流，行人/非机动车路权和机动车平衡问题一直很难解决。我们也很欢迎业内的专家和团队来到南宁，共同开展非机动车路权和信号控制方面的研究。

最后是数据融合能力还需要持续积累。雷视设备兼有了雷达和视频的优势，但同时也具有雷达和视频的劣势。当一方的劣势出现时，通过技术能力进行弥补，就尤为重要。因此，数据融合能力是雷视一体设备的关键能力，必然需要多方努力不断地改进。

此外，单一设备难以达到全面覆盖，复用其他设备数据、引用浮动车数据才能全面了解城市交通的运行情况。同时，单一种类数据难以构建完善的交通运行指标体系，多元数据融合才能真正健全完善体系，数据融合能力也需实现多类设备数据的融合。如何将不同检测器产生的多元数据进行融合分析，并根据实际应用数据融合的种类不同，定义不同级别的交通感知能力，形成一套更加完善的交通运行指标体系，也是未来我们需要不断努力的地方。