基于无人机与深度学习的多车道环岛转向流量自动估算框架研究

为解决多车道环岛转向流量(TMRs)人工观测困难的问题，研究人员开发了集成无人机(UAV)航拍与YOLOv8/DeepSORT的自动化分析框架。该研究通过比较YOLOv8系列模型性能，优选YOLOv8l实现97%检测精度，结合DeepSORT实现高精度车辆追踪，最终开发出基于轨迹交叉检测的TMRs估计算法，验证准确率达97%。该成果为复杂交通节点智能化监测提供了可扩展的技术方案。

　　

环岛作为现代交通管理的重要节点，其运行效率直接影响城市路网性能。然而多车道环岛中车辆转向流量(Turning Movement Rates, TMRs)的精准采集长期面临挑战——传统地面传感器存在视野盲区，固定摄像头难以覆盖环形区域，人工观测又受制于车辆轨迹重叠和持续流动特性。这些限制使得交通工程师们难以获取准确的转向流量数据，而该数据恰恰是评估环岛通行能力、优化信号配时、改进几何设计的关键依据。

为突破这一技术瓶颈，Sharjah大学（United Arab Emirates）的研究团队创新性地将无人机(UAV)技术与深度学习算法相结合，开发出全自动化的TMRs估算框架。研究人员首先利用配备4K相机的DJI Phantom 4 RTK Pro无人机，在120-130米高度拍摄10个多车道环岛的航拍视频，通过YOLOv8系列模型实现车辆检测，并对比DeepSORT与ByteTrack两种追踪算法的性能，最终构建基于轨迹分析的转向流量估计算法。这项发表在《Green Energy and Intelligent Transportation》的研究，为智能交通管理提供了新的技术路径。

关键技术方法包括：1) 无人机航拍数据采集与地理配准；2) 基于Roboflow平台的17.4万条车辆标注数据集构建；3) YOLOv8五种架构(nano至x-large)的检测性能对比；4) DeepSORT与ByteTrack的多目标追踪评估；5) 虚拟线计数器与轨迹交叉逻辑的TMRs算法开发。

研究结果方面：

5.1 现场数据采集

在阿联酋沙迦市选取10个几何形态各异的环岛，每个站点采集8小时视频(7:00-15:00)，使用GNSS Trimble设备布设15个地面控制点(GCPs)实现坐标转换。

5.2 车辆检测与轨迹提取

YOLOv8l模型在测试集达到93.1%精确度与89.9%召回率，较YOLOv8x节省34%训练时间；DeepSORT以98.71% MOTA优于ByteTrack(98.26%)，且处理速度快1.6倍。

5.3 转向流量估算

开发的TMRs算法通过28条虚拟检测线识别车辆转向行为，经GEH统计验证与人工计数误差仅3%，其中北进口左转流量误差最低(0.41%)。

6.1 模型迁移性测试

将训练好的YOLOv8l模型应用于未参与训练的站点9，仍保持91.9% mAP50检测精度，证明框架具备跨区域适用性。

这项研究构建了首个融合无人机航拍与深度学习技术的环岛转向流量全自动分析框架。通过系统比较YOLOv8不同架构，确立YOLOv8l为最佳检测模型，其平衡了93.1%的精确度与52分钟的训练效率；而DeepSORT凭借98.71%的追踪准确率成为多目标追踪的最优选择。创新性的轨迹交叉检测算法实现了97%的TMRs估算精度，较传统Kalman滤波方法显著提升计算效率。该成果不仅解决了多车道环岛交通参数采集的技术难题，更为智慧交通管理系统提供了可扩展的技术方案。未来通过集成红外成像与多传感器融合，有望进一步拓展框架在夜间与恶劣天气条件下的应用潜力。