微波式侦测器.ppt

車速實測分析-與SmartSenser比較 * 檢視：檢視目前所累積的車道事件，或是通訊的紀錄。 軟體執行之錄影畫面按此。 實測分析 * 車道判斷實測分析-市區道路 實測的車輛總數會略少於實際的車輛總數 某些車輛的速度較快或車身之訊號反射長度較短，導致將此車輛訊號判斷成是突然的訊號不穩定。 第五車道的實測車輛數較多 較遠處的訊號強度較微弱，且S/N 值較高。 為了能較準確地抓取機車波形，所以勢必要設定為比較貼近雜訊的門檻值。 * 車道判斷實測分析-快速公路 在車輛數的部份，快速道路之車輛總數正確率要比一般市區道路的測試結果來的差，顯示車輛速度會影響本計劃之判斷車道有無車演算法。 * 車種辨識實測分析-市區道路 本計劃之車種辨識演算法，在實測過程 中除了第五車道的機車之外，皆可達到80%以上的正確率。 車種 車道 車輛數 車種辨識正確 正確率 機車 一 N/A N/A N/A 二 N/A N/A N/A 三 N/A N/A N/A 四 N/A N/A N/A 五 117 74 63.25% 小型車 一 194 182 93.81% 二 270 251 92.96% 三 181 175 96.69% 四 177 172 97.18% 五 44 38 86.36% 大型車 一 10 10 100.00% 二 7 7 100.00% 三 12 10 83.33% 四 5 4 80.00% 五 4 4 100.00% * 車種辨識實測分析-快速道路 在車種辨識的準確率方面，因快速道路的車輛行駛速度較快，會減少小型車與大型車在波形資料取樣上的差距，導致車種辨識率下降。 車種 車道 車輛數 車種辨識正確 正確率 小型車 一 94 84 89.36% 二 502 483 96.22% 三 911 753 82.66% 四 967 789 81.59% 大型車 一 43 32 74.42% 二 237 152 64.14% 三 175 156 89.14% 四 N/A N/A N/A * 車種辨識實測分析-與SmartSenser比較 SmartSenser在有機車之車道並沒有辨識出機車。 SmartSenser之大車誤判情形較多，間接影響了小車的辨識成功率。 本偵測器之機車辨識情形亦不理想，顯示其機車辨識演算法須再改進。 車種 車道 實際車輛數 實測結果比較(30 min) 本計劃偵測器 正確率 Smart Senser 正確率 機車 一 N/A N/A N/A N/A N/A 二 N/A N/A N/A N/A N/A 三 N/A N/A N/A N/A N/A 四 N/A N/A N/A N/A N/A 五 74 41 55.41% 0 0.00% 小型車 一 124 144 83.87% 132 93.55% 二 146 143 97.95% 161 89.73% 三 107 121 86.92% 113 94.39% 四 102 97 95.10% 76 74.51% 五 55 68 76.36% 43 78.18% 大型車 一 9 10 88.89% 17 11.11% 二 2 3 50.00% 13 N/A 三 6 7 83.33% 4 66.67% 四 2 2 100.0% 12 N/A 五 1 1 100.0% 15 N/A * 車速實測分析-市區道路 * 車速實測分析-高速公路 本次測試的正確率都比期中報告來得高，其中第一車道的正確率由72.06%上升至84.09%～86.50%左右，而第二車道由75.51%上升到83.17%～83.58%左右。 40 正向速度實測分析 本測試地點是設定於光復路上東西向三車道中的第二車道作為本實驗之對象。 因觀測車道的機車訊號會受其他車道經過車輛影響，因此本測試樣本只包含大型車和小型車的資料。 結論 本研究開發第一個全由國人自製之雷達微波車輛偵測器 硬體 世界第一個RFIC 國內自行開發之平面天線 數位訊號處理器（DSP） 41 結論 本研究開發第一個全由國人自製之雷達微波車輛偵測器 軟體 國內自行開發之訊號處理軟體 車道自動學習功能 車種自動學習功能 使用者操作介面 系統微調功能 整合置於DSP中成為一獨立運作之embedded system 42 結論 本研究開發第一個全由國人自製之雷達微波車輛偵測器 精確度成果 車道自動學習功能 車道學習準確率為100% 車道判定準確度超過90% 車種自動學習功能 車種準確率為90% 車速準確度 平均準確率超過80% 43 建議 本研究所製作之車輛偵測器為一研究雛形 偵測器外觀、組裝、溫度、電源等進一步產品化需求問題，將有待後續處理。 44 報告完畢，敬請指教! * 自動化路況資訊偵測系統研發與示範（二） 自動化路況資訊偵測系統研發與