超长隧道交通运行状态主动监测方案分析

余雪娟 王燕 薛勇

（1.江苏省交通工程建设局，江苏 南京 210001；2.江苏百盛工程咨询有限公司，江苏 南京 210001；3.江苏百盛信息科技股份有限公司，江苏 南京 210001）

1 背景

超长隧道长管状封闭空间造成了洞内外亮度差异悬殊、环境照度低、交通空间受限等影响交通安全的因素。近年来，交通拥堵、交通事故等问题愈演愈烈，加之隧道环境位置特殊，运营安全面临严峻的考验。

海太过江通道对隧道全天时、多维度的安全态势感知方案和运行安全态势分析方法提出了新的要求。本文通过分析以车辆为目标的交通主体，利用全过程的精细化监测数据，面向隧道整体开展车辆检测、识别、跟踪，判别交通安全风险、发现风险点，形成海太过江隧道交通运行状态实时、主动的监测方法与方案，以期提升海太过江通道的安全运营管理水平，为我国其他隧道运营管理工作提供示范和参考。

2 国内外研究现状

国内外已经研发了一些成熟的隧道交通监测系统。例如，美国的分布式公路隧道监控系统[1]，挪威Ryfast隧道的双摄像监测系统[2]等。国内应用于秦岭终南山隧道、上海长江隧道与大连白银山隧道等的交通监测系统[3，4]。这些系统以交通参数获取、目标行为分析、事件检测等宏观交通信息开展应用。

近年来，隧道的智能化监控与交通安全研究发展迅速，其中隧道交通监测的主要重点在于车辆特征建模、车辆时空动态模型构建、目标再识别技术这3个方面，采用机器视觉和人工智能领域的方法[5]，针对实际安全问题，开展应用研究并探讨监测系统设计方案[6]。

3 超长隧道的交通状态监测问题分析

超长隧道交通事故的发生概率相较于普通路段而言较高，因此其交通状态对智能化监测系统的需求更加迫切。公路隧道通常可划分为Z1-Z4四类区域，如图1所示。隧道内外的亮度差别产生的“黑洞”现象，使得隧道入口区域（Z2区和Z3区）的事故率较高。隧道的严重事故率与长度和交通负荷联系密切，超长隧道Z4区域覆盖距离更长，重大交通事故更有易发生在Z4区和Z1区。

图1 隧道区域划分示意图

当前广泛应用的系统及其子系统为实现隧道舒适、安全、高效地运营提供了保障。然而，基于传统设计观念，使得系统存在诸多不足有待改善，主要表现在：隧道监控子系统的联动性差，众多子系统较难形成统一的数据元组，数据性能较难发挥；隧道交通控制系统的控制模式与智能水平相对滞后，交通目标感知效率低，识别精度差，较难全时空感知交通目标异构数据；监测系统使用的设备过于单一，视频和雷达各自优缺点明显，在数据精度、覆盖范围等方面未能优势互补，不利于提升基础监测数据的质量；隧道交通监测点数据孤立，难以面向全隧道获取精细化的运行全过程数据，不利于感知与分析交通安全态势，对降低风险、事前引导、隐患消除等较难发挥价值。

4 面向海太隧道的交通安全运行解决方案

针对现有大量广泛使用的隧道安全监测系统存在的问题，本文从4个核心问题和解决方法出发构建解决方案，方案涉及的核心问题关系示意图如图2所示。

图2 交通安全运行解决方案核心问题与解决方法关系示意图

4.1 隧道传感器数据融合的交通目标检测问题

在长大隧道的交通环境下，单一的传感器因设备原理具有明显的优缺点，较难解决隧道中环境复杂、低视角所带来的问题。例如，视频直观、易理解、可靠性高，但受制于隧道空间，在安装点近端监测性能好，在远端受制于图像分辨率。毫米波雷达在目标测速、定位、流量计算等应用中优势明显，但受制于其工作原理，在安装点近端覆盖有限，在监控远端数据存在抖动，且对车辆遮挡、停车、抛洒物等处理逻辑较复杂，可靠性较低。两种传感器的互补优势主要表现在：视频可弥补雷达点云数据不直观的问题；利用视频近端易覆盖和精度高的特点，可弥补雷达近端难覆盖和数据抖动的缺点，利用雷达覆盖范围广，可弥补视频低视角和远端目标图像尺寸小的缺点；利用雷达抗强光、灰尘、烟雾等的优势，可弥补视频不足，利用视频目标检测、跟踪逻辑可弥补雷达在遮挡、静止、数据抖动等方面的不足。

实际使用中面临3个因素的影响：时间不统一，即视频和雷达设备数据采样率不一致；空间不一致，即两种设备覆盖范围不一致；数据融合难，即视频和雷达对目标位置、速度等信息的感知具有理论上的误差，需要对两种数据实施数据级的融合。针对这三个问题，设计中利用视频和雷达的监控重合区开展设备参数标定，实现两种设备的统一空间构建。在一致的空间中，通过车辆目标位置的唯一性，矫正数据时间。基于时空关系，对视频中的目标位置数据坐标与雷达点云计算的目标位置坐标进行时空标准化，通过构建数据锚点的生成方法，评价分析雷达点交通目标待选数据与视频估计数据，并构建深度学习网络，实现视频与雷达数据级融合。

4.2 监控单节点交通目标运动过程重建问题

单节点的目标运动过程重建需要解决几个关键问题：多目标空间信息重建，即从目标图像位置二维信息，跨维度构建为三维空间信息；多目标运动过程重建，即对监控区域内的目标轨迹重建，获得单个监控节点下的运动数据。这是开展目标运动过程分析和行为分析的基础；多目标检测和跟踪，即针对遮挡、视角等影响因素，构建有效的多目标检测、识别、跟踪方法与模型，提高目标感知信息的精度。这是实现对交通状态精细刻画的基础；多目标重建及监测信息的可视化，即实现对监测路段车辆位置、车间距离、车道占有率、车型分类、拥堵状况等量化信息的可视化。

针对上述问题，海太方案中利用多节点相机和雷达联动的全时空信息，设计出基于深度检测网络的优化模型来提取目标轨迹的运动特性。通过分析所有目标轨迹数据的时空映射关系与运动特征，构建目标的完整运动轨迹与参数。这种设计可利用高精度的运动过程重建信息开展交通目标的分析，能够改善误报、多报和漏报等问题，也更有利于提高管理效率。

4.3 隧道交通全目标全过程轨迹重建问题

在超长隧道内，独立监测结点得到的离散数据无法有效解决多种实际问题，一是难以感知多个移动目标的运动全过程，难以获取监控盲区的目标轨迹信息；二是难以解决多目标跨设备跟踪检测问题。传统交通事件检测方案，仅依赖于单个监测结点开展，较难利用全过程轨迹的巨大优势降低误报率和提升效率。

海太隧道方案主要采用算法层和模型层两个核心设计解决相应问题。在算法层，主要通过深度学习网络，引入数据片段时间戳为输入，设计目标运动信息网络、类别判别网络和可视化网络3个分支，组建多目标跟踪模型和算法提取目标轨迹。在模型层，利用时间标签和时空约束构建多个时空片段排序方法和盲区轨迹补全方法，最终获得长隧道车辆全轨迹和时空图。这种设计可以构建出面向整个隧道路段的精细化反映实况的可靠基础数据。

4.4 隧道交通安全风险分析问题

在超长隧道安全管理和运营的需求下，当前系统体现隧道交通风险发生的位置、空间影响范围、时间影响范围等信息较为困难，主要原因是传统的隧道交通安全分析方法存在3个方面的缺陷：评价标准主观，结果主观因素比例过大，难以支撑对隧道交通的动态分析；表征数据不全面，对不同隧道路段事件行为的类型分布、时空分布等特征和事件涉及的车辆特征难以表达全面；事件分析的关联性不足，导致异常事件分析的准确度不高。

针对上述不足，在海太全隧道的交通目标运行状态分析方案中，主要通过关键数据的介入，以轨迹作为数据载体，将高维空间信息与低维时间信息相融合，形成全过程融合车型、车温、轴重、隧道行车环境等识别信息，以及“两客一危”系统的货物种类等轨迹数据包，构建目标全过程的安全时空图。从微观角度看，可挖掘车辆在当前隧道的位置、车速、运动方向、车间距等信息。从宏观角度看，可挖掘全体监测目标在超长隧道的分布、车速状态、隧道车流量、潜在风险点位置与影响范围等信息，形成宏观到微观的交通运行状态数据和风险感知数据。

5 超长隧道智能交通安全监测系统架构

在海太隧道的交通安全主动监测系统构建中，设计重点为以车辆目标监测、交通事件检测、交通安全风险分析为核心的交通安全态势实时监测及分析应用系统，并基于计算平台开发成套软硬件，系统构架示意图如图3所示。

图3 隧道智能交通安全监测系统构架示意图

系统软件功能模块主要包括视频雷达信息融合、监测目标表征网络构建、跨相机多目标轨迹重建与跟踪、可信高效的异常行为分析和异常行为综合安全评估几个单元模块。各模块之间相互关联，层层递进，从模型建模、参数学习、模型迁移到状态综合推理评估等角度实现从方法研究到模型算法落地的整个流程系统架构。硬件部署根据雷达和视频在隧道场景下不同监控区域的数据可靠性，将雷达和视频设备有效检测范围衔接，发挥两者优势，构建设备管理、数据传输无障碍的高效隧道监测系统。