Стаття

Отримано 30.01.2026

Доопрацьовано 23.05.2026

Прийнято 25.06.2026

Опубліковано 04.07.2026

Взято з Том 29, № 1, 2026

Сторінки 137 -146

Korpan, Ya., Fedorov, E., & Utkina, T. (2026). Investigation of the application of LiDAR technology to optimise automatic traffic flow control. Transport Systems and Technologies, 29(1), 137-146. https://doi.org/10.32703/2617-9040-2026-47-11

Дослідження методу застосування LiDAR-технологій для оптимізації автоматичного керування транспортним потоком

Ярослав Корпань*, Євген Федоров, Тетяна Уткіна

y.korpan@chdtu.edu.ua

Робота присвячена дослідженню актуального питання, яке зумовлене необхідністю підвищення ефективності керування міським дорожнім рухом шляхом використання сучасних технологій. Метою роботи було дослідження підходу до оптимізації режимів роботи світлофорів на перехрестях на основі даних про транспортні потоки, отриманих із застосуванням датчиків Light Detection and Ranging (LiDAR), для підвищення ефективності дорожнього руху та зменшення затримок. В роботі представлено опис методу використання датчиків LiDAR для підрахунку поворотних потоків на перехрестях та подальшої оптимізації режимів роботи світлофорів на основі отриманих даних. При досліджені було встановлено, що для коректної роботи метод повинен включати наступні етапи: розміщення датчиків LiDAR у ключових точках перехрестя з метою отримання тривимірних хмар точок, що відображають динаміку транспортного потоку; обробка та аналіз згенерованих датчиком даних (застосовуються сучасні методи обробки даних, зокрема алгоритми сегментації хмар точок та розпізнавання об’єктів); проведення аналізу інформації про траєкторії руху об’єкту (зокрема для виділення та підрахунку поворотних потоків із первинних LiDAR-даних); формування математичної моделі системи керування рухом; використання адаптивних стратегій керування для формування оптимізованих режимів роботи світлофорів; розробка рекомендацій щодо підвищення ефективності та оптимізації на основі методів статистичного аналізу та машинного навчання для виявлення стійких закономірностей і часових тенденцій у структурі транспортного руху; здійснення керування світлофорними об’єктами. В роботі приведено узагальнені результати дослідження, які показали, що описаний метод може забезпечувати комплексний підхід та підтримку автоматичного адаптивного керування світлофорними об’єктами завдяки використанню LiDAR-технології для збору детальної інформації про поворотні рухи на перехрестях та оптимізації часу світлофорних сигналів, що в підсумку сприятиме підвищенню пропускної здатності перехресть і зменшенню заторів у міських транспортних мережах. Результати дослідження можуть бути використані органами управління дорожнім рухом та інженерами транспортної інфраструктури під час проєктування й оптимізації світлофорного регулювання на міських перехрестях

датчики Light Detection and Ranging; розпізнавання об’єктів; математична модель; рух транспорту; корегування в реальному часі; машинне навчання
  1. Ansariyar, A. (2023). Efficiency improvement at signalized intersections: Investigating smart green time allocation with two LiDAR sensors and AIMSUN microsimulation. SSRN Electronic Jornal. doi: 10.2139/ssrn.4614391.
  2. Bandaru, V.K., Romero, M.A., Lizarazo, C., & Tarko, A.P. (2021). TScan-Stationary LiDAR for traffic and safety applications: Vehicle interpretation and tracking. West Lafayette: Purdue University. doi: 10.5703/1288284317402.
  3. Buch, N., Velastin, S.A., & Orwell, J. (2011). A review of computer vision techniques for the analysis of urban traffic. IEEE Transactions on Intelligent Transportation Systems, 12(3), 920-939. doi: 10.1109/TITS.2011.2119372.
  4. Cao, S., Wu, Y.-J., & Jin, F. (2021). Development of intelligent multimodal traffic monitoring using radar sensor at intersections. Portland: Transportation Research and Education Center. doi: 10.15760/trec.268.
  5. Çıldır, A., Kahriman, M., & Tigdemir, M. (2023). Optimum signalization algorithm suggestion with the intersection delay optimization. International Journal of Engineering and Innovative Research, 5(2), 95-103. doi: 10.47933/ijeir.1189981.
  6. Dai, G., Wang, H., & Wang, W. (2016). Signal optimization and coordination for bus progression based on MAXBAND. KSCE Journal of Civil Engineering, 20(2), 890-898. doi: 10.1007/s12205-015-1516-4.
  7. Deng, K., Xing, L., Wu, H., Ma, H., Ling, Y., & Gao, J. (2025). Advances in object detection for autonomous driving using mmwave radar and camera: A comprehensive survey. Journal of King Saud University – Computer and Information Sciences, 37, article number 328. doi: 10.1007/s44443-025-00302-0.
  8. Emtenan, A.M.T., & Day, C.M. (2020). Impact of detector configuration on performance measurement and signal operations. Transportation Research Record: Journal of the Transportation Research Board, 2674(4), 300-313. doi: 10.1177/0361198120912244.
  9. Enayati, J., Asef, P., & Wilson, P. (2024). Resilient multi-range radar detection system for autonomous vehicles: A new statistical method. Journal of Electrical Engineering & Technology, 19, 695-708. doi: 10.1007/s42835-023-01567-z.
  10. Eteifa, S., Rakha, H.A., & Eldardiry, H. (2021). Predicting coordinated actuated traffic signal change times using long short-term memory neural networks. Transportation Research Record: Journal of the Transportation Research Board, 2675(9), 127-138. doi: 10.1177/03611981211000748.
  11. Gartner, C.M., Sakhare, R.S., Desai, J.C., Sturdevant, J., & Bullock, D.M. (2025). A scalable data model for signalized intersection performance measures. IEEE Access, 13, 197851-197863. doi: 10.1109/ACCESS.2025.3635007.
  12. Guadamuz, R., Tang, H., Yu, Z., Guler, S.I., & Gayah, V.V. (2022). Green time usage metrics on signalized intersections and arterials using high-resolution traffic data. International Journal of Transportation Science and Technology, 11(3), 509-521. doi: 10.1016/j.ijtst.2021.06.006.
  13. Guan, F., Xu, H., & Tian, Y. (2023). Evaluation of roadside LiDAR-based and vision-based multi-model all-traffic trajectory data. Sensors, 23(12), article number 5377. doi: 10.3390/s23125377.
  14. Hu, Y., Du, L., & Easa, S.M. (2025). Explainable reinforcement learning for traffic signal control. Computer-Aided Civil and Infrastructure Engineering, 40(24), 3911-3933. doi: 10.1111/mice.70037.
  15. Kilani, O., Gouda, M., Weiß, J., & El-Basyouny, K. (2021). Safety assessment of urban intersection sight distance using mobile LiDAR data. Sustainability, 13(16), article number 9259. doi: 10.3390/su13169259.
  16. Kim, M., Schrader, M., Yoon, H.-S., & Bittle, J.A. (2023). Optimal traffic signal control using priority metric based on real-time measured traffic information. Sustainability, 15(9), article number 7637. doi: 10.3390/su15097637.
  17. Klein, L. (2001). Sensor technologies and data requirements for ITS. Boston: Artech House.
  18. Lan, T., Tan, H., & Teng, N. (2026). Optimization model for MAXBAND arterial coordination based on fitted vehicle speed distribution. Proceedings, 14011. doi: 10.1117/12.3095900.
  19. Li, L., Lv, Y., & Wang, F.-Y. (2016). Traffic signal timing via deep reinforcement learning. IEEE/CAA Journal of Automatica Sinica, 3(3), 247-254. doi: 10.1109/JAS.2016.7508798.
  20. Li, P., Chowdhury, F.R., Wang, P., & Imtiaz, S.M. (2020). Actuated traffic signal performance evaluation along arterials using Wi-Fi travel time samples and high-resolution traffic signal events data. Transportation Research Record: Journal of the Transportation Research Board, 2674(6), 268-280. doi: 10.1177/0361198120918869.
  21. Liang, Y., Zhang, Q., & Wang, Z. (2024). Research on traffic signal cycle optimization based on Webster algorithm. Highlights in Science, Engineering and Technology, 118, 111-120. doi: 10.54097/nwddhg31.
  22. Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F.-Y. (2015). Traffic flow prediction with big data: A deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 16(2), 865-873. doi: 10.1109/TITS.2014.2345663.
  23. Ma, X., Tao, Z., Wang, Y., Yu, H., & Wang, Y. (2015). Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. Transportation Research Part C: Emerging Technologies, 54, 187-197. doi: 10.1016/j.trc.2015.03.014.
  24. Mahmud, S., & Day, C.M. (2023). Evaluation of arterial signal coordination with commercial connected vehicle data: Empirical traffic flow visualization and performance measurement. Journal of Transportation Technologies, 13(3), 327-352. doi: 10.4236/jtts.2023.133016.
  25. Qadri, S.S.S.M., Gökçe, M.A., & Öner, E. (2020). State-of-art review of traffic signal control methods: Challenges and opportunities. European Transport Research Review, 12, article number 55. doi: 10.1186/s12544-020-00439-1.
  26. Raj, T., Hashim, F.H., Huddin, A.B., Ibrahim, M.F., & Hussain, A. (2020). A survey on LiDAR scanning mechanisms. Electronics, 9(5), article number 741. doi: 10.3390/electronics9050741.
  27. Saldivar-Carranza, E., Li, H., Mathew, J., Hunter, M., Sturdevant, J., & Bullock, D.M. (2021). Deriving operational traffic signal performance measures from vehicle trajectory data. Transportation Research Record: Journal of the Transportation Research Board, 2675(9), 1250-1264. doi: 10.1177/03611981211006725.
  28. Saldivar-Carranza, E.D., Desai, J., Thompson, A., Taylor, M., Sturdevant, J., & Bullock, D.M. (2024). Vehicle and pedestrian traffic signal performance measures using LiDAR-derived trajectory data. Sensors, 24(19), article number 6410. doi: 10.3390/s24196410.
  29. Ugirumurera, J., Severino, J., Bensen, E.A., Wang, Q., & Macfarlane, J. (2023). A machine learning method for predicting traffic signal timing from probe vehicle data. arXiv. doi: 10.48550/arXiv.2308.02370.
  30. Viadero-Monasterio, F., Alonso-Renteria, L., Pérez-Oria, J., & Viadero-Rueda, F. (2024). Radar-based pedestrian and vehicle detection and identification for driving assistance. Vehicles, 6(3), 1185-1199. doi: 10.3390/vehicles6030056.
  31. Waddell, J.M., Remias, S.M., Kirsch, J.N., & Young, S.E. (2020). Scalable and actionable performance measures for traffic signal systems using probe vehicle trajectory data. Transportation Research Record: Journal of the Transportation Research Board, 2674(11), 304-316. doi: 10.1177/0361198120941847.
  32. Wei, H., Zheng, G., Yao, H., & Li, Z. (2018). IntelliLight: A reinforcement learning approach for intelligent traffic light control. In Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2496-2505). London: Association for Computing Machinery. doi: 10.1145/3219819.3220096.
  33. Weng, X., Wang, J., Held, D., & Kitani, K. (2020). 3D multi-object tracking: A baseline and new evaluation metrics. arXiv. doi: 10.48550/arXiv.1907.03961.
  34. Xu, X., Zhang, L., Yang, J., Cao, C., Wang, W., Ran, Y., Tan, Z., & Luo, M. (2022). A review of multi-sensor fusion SLAM systems based on 3D LiDAR. Remote Sensing, 14(12), article number 2835. doi: 10.3390/rs14122835.
  35. Yang, L., & Guo, R. (2024). Short-term traffic flow prediction and timing optimization at signalized intersections based on SG-LSTM and particle swarm optimization. Journal of Highway and Transportation Research and Development, 18(4), 34-41. doi: 10.26599/HTRD.2024.9480030.
  36. Zeng, W., Chen, X., Tong, K., & Yu, S. (2022). Research on traffic lights timing optimization and simulation. Geomatics and Information Science of Wuhan University, 47(4), 597-603. doi: 10.13203/j.whugis20200029.
  37. Zhang, H., Yuan, H., Chen, Y., Yu, W., Wang, C., Wang, J., & Gao, Y. (2021). Traffic light optimization based on modified webster function. Journal of Advanced Transportation, 2021, article number 3328202. doi: 10.1155/2021/3328202.
  38. Zhang, J., Ge, C., Xiao, W., Tang, M., Mills, J., Coifman, B., & Chen, N. (2026). Roadside lidar-based scene understanding toward intelligent traffic perception: A comprehensive review. ISPRS Journal of Photogrammetry and Remote Sensing, 233, 69-88. doi: 10.1016/j.isprsjprs.2026.01.012.
  39. Zhao, J., Xu, H., Liu, H., Wu, J., Zheng, Y., & Wu, D. (2019). Detection and tracking of pedestrians and vehicles using roadside LiDAR sensors. Transportation Research Part C: Emerging Technologies, 100, 68-87. doi: 10.1016/j.trc.2019.01.007.
  40. Zhou, H., Zhu, X., Song, X., Ma, Y., Wang, Z., Li, H., & Lin, D. (2020). Cylinder3D: An effective 3D framework for driving-scene LiDAR semantic segmentation. arXiv. doi: 10.48550/arXiv.2008.01550.

https://doi.org/10.32703/2617-9040-2026-47-11