《Electronics》：A Novel Multi-Scale Dual-Modality CNN Approach Leveraging Light and Dark Fingerprints for RSS-Based Indoor Positioning
编辑推荐：
为解决道路表面显著亮度波动引起的驾驶安全风险和能源浪费问题，本研究提出了一种针对公路隧道照明环境的动态优化与智能控制方法。通过多种时空条件下的现场实验和数据分析，研究人员识别出隧道内一致的可见度模式。该动态优化框架整合了可见度、交通流量、车速、实测路面亮度和照
为解决道路表面显著亮度波动引起的驾驶安全风险和能源浪费问题，本研究提出了一种针对公路隧道照明环境的动态优化与智能控制方法。通过多种时空条件下的现场实验和数据分析，研究人员识别出隧道内一致的可见度模式。该动态优化框架整合了可见度、交通流量、车速、实测路面亮度和照明亮度。基于该框架，开发了一个以可见度、交通流量和车速为输入变量以生成所需照明控制信号的模糊径向基函数（FRBF）控制器。利用来自多地区公路隧道的实测数据，结合典型照明场景，建立了基于FRBF的公路隧道照明智能控制模型。仿真实验验证了所提方法的有效性，表明其能够使路面亮度接近设计要求，同时提高照明能效。
**论文解读：基于FRBF的公路隧道照明动态优化与智能控制方法**
公路隧道照明在保障行车安全与降低能源消耗方面具有关键作用。隧道内外天然光差异显著，尾气与尘埃持续降低可见度，实时交通流量与车速波动频繁，这些因素使传统静态照明方案难以满足动态需求。低可见度时段路面亮度不足易诱发追尾事故，而低交通流量下持续高亮度则造成大量电力浪费。现有隧道照明优化系统存在两方面缺陷：其一，环境感知维度单一，视觉监测数据利用不足，多数研究仅采集交通流量与车速，忽视了灰尘与尾气引起的可见度衰减对透光效率的影响，缺乏基于视觉采集的可见度-亮度定量关联建模；其二，缺乏多参数耦合建模与场景差异化动态补偿机制，现有调光模型仅依据流量进行基础调节，未能区分入口段、过渡段、中间段与出口段的不同照明需求，中间段半封闭结构导致可见度最低、安全风险最高，却缺少针对该区段的亮度损失动态补偿策略。已有研究如基于长短期记忆（LSTM）神经网络的智能控制，以及多参数智能照明框架，均未充分将可见度依赖的亮度衰减与实时智能控制显式结合。为此，研究人员将隧道视觉量化技术与模糊神经网络相融合，构建面向异质环境的隧道照明动态优化模型，提出一种动态亮度优化与智能控制方法。
研究人员以重庆万州区长冲隧道为试验场地，在六个全天工况（覆盖晴、阴、雨及昼、夜）下对可见度、交通流量、车速与路面亮度进行现场测量，共设置八个测量断面、64个测点。数据分析表明，隧道内可见度与路面亮度呈正相关，且中间段可见度最低，故将该区段确定为主要优化目标。研究主要采用三项关键技术：第一，建立基于交通需求的基线亮度模型，依据《公路隧道照明设计细则》中不同交通流量和车速条件下的标准亮度值拟合函数，得到交通响应型基线亮度；第二，构建可见度相关亮度衰减模型，基于实测数据拟合出可见度指数与路面亮度的关系（R2=0.958，误差小于5%），并定义亮度损失率；第三，设计五层模糊径向基函数（FRBF）神经网络，将可见度、交通流量、车速映射到优化目标亮度，采用80条模糊规则覆盖典型照明场景。数据集包含124个实测样本，其中99个用于训练，25个作为独立测试集。
**FRBF预测性能**：在独立测试集上，FRBF模型预测的优化目标亮度与真实值高度一致，决定系数R2=0.9924，均方根误差（RMSE）为0.1691 cd/m2，平均绝对百分比误差（MAPE）仅2.8%，表明该网络能准确复现动态优化模型的非线性映射。
**SUMO时间序列验证**：利用长冲隧道2024年3月实测数据，在SUMO中复现24小时交通流与车速序列，生成48个半小时工况。与传统调光方法相比，所提方法使路面亮度标准差从0.47 cd/m2降至0.09 cd/m2，亮度始终稳定在设计值附近，波动控制在误差允许范围内。
**DIALux照明仿真**：在三维隧道模型中设置侧壁和顶棚反射系数0.05、路面反射系数0.18。传统方法在14:00平均路面亮度仅0.30 cd/m2，而凌晨2:00达1.73 cd/m2，造成不必要的能耗；新方法在不同工况下均保持亮度接近设计目标，总体均匀度维持在0.40以上，并在高可见度条件下节能34.1%。
**消融研究**：通过去除可见度补偿、替换自适应模糊规则为固定规则、去除分层FRBF表示，量化各组件贡献。完整模型低可见度亮度合规率达95.8%，而去除可见度补偿时降至37.5%且MAPE升至5.68%；固定规则和去除分层结构分别使MAPE增至4.31%和6.13%。结果表明，可见度补偿是维持低可见度照明质量的主导组件，自适应模糊规则与分层结构改善变工况下的预测一致性。
研究结论表明，所提动态优化与智能控制方法实现了“按需照明”，在无需硬件改造的情况下满足实时控制精度。通过SUMO与DIALux联合验证，该方法将隧道亮度波动大幅降低，低可见度合规率显著提升，高可见度节能效果明显。未来研究需扩展不同区域、隧道类型及气候条件下的数据，进一步提高方法的普适性与鲁棒性。该成果发表于《Electronics》。
