基于麥克風陣列車輛檢測的公路隧道照明控制方法及系統(tǒng)研究

黎 恒， 楊玉琳， 陳大華， 韋澤賢， 王玲容， 唐文娟

(廣西交通科學研究院有限公司， 廣西 南寧 530007)

0 引言

隨著我國交通基礎建設的快速推進，公路建設進入了山區(qū)修筑時代，公路隧道所占比例越來越大[1-2]。隧道照明系統(tǒng)作為隧道建設必不可少的一部分，其耗能嚴重、運營維護費用高等問題一直困擾著運營單位[3-4]。開展隧道照明節(jié)能技術的研究是降低公路隧道運營成本的必由之路，具有十分重要的意義[5]。

目前，智能照明控制已逐漸成為國內外隧道照明節(jié)能的重要技術手段[6]。其中，在國內外隧道常規(guī)節(jié)能技術中，為檢測車流量和隧道內部車輛行駛情況，常用方法主要有視頻、微波雷達、感應線圈等感知技術。但由于隧道光照、環(huán)境情況復雜，上述方法難以同時滿足高精度、低成本、易安裝維護等檢測需求。如感應線圈通常在安裝時需要封路切割路面操作，存在使用壽命短、操作復雜、維護成本高等問題[7]；雖然微波雷達、視頻設備安裝無需切割路面，但其存在成本較為昂貴，檢測精度易受光照、天氣條件、隧道內部粉塵影響等問題[8]。

針對現(xiàn)有方法存在安裝復雜、維護成本高、精度易受環(huán)境影響等問題，本文考慮采用低成本傳感器、非接觸、非埋地的車輛檢測方案。同時，為使研究更貼合工程需求，本文針對高速公路隧道照明節(jié)能的需求開展基于音頻的車輛認知方法研究，提出一種基于麥克風陣列車輛檢測的公路隧道照明控制方法及系統(tǒng)，綜合運用改進的MVDR算法、卷積神經(jīng)網(wǎng)絡算法[9]構建音頻車輛檢測系統(tǒng)，并且集成隧道智能無級調光器，融合視頻亮度檢測、視頻車檢、音頻車輛檢測設備所獲得的洞內外亮度、車流量、車輛到達、隧道內是否存在車輛行駛信息，實現(xiàn)照明亮度智能調節(jié)，分段精準照明，大幅降低公路隧道的總體能耗。在廣西河池至百色等多條高速公路的工程實踐表明，本文提出的基于麥克風陣列的隧道照明節(jié)能方法與系統(tǒng)，音頻車檢檢測精度高于95%，較目前常規(guī)LED無級調光控制系統(tǒng)，安裝維護成本降低30%，使隧道綜合電能降低約20%，為交通運營部門提供一種有效的隧道節(jié)能技術解決方案，特別在西部地區(qū)普遍存在車流量少、隧道里程長的情況下，隧道照明實施“車來前亮，車走漸暗”的模式，使節(jié)能效果更為顯著。

1 隧道照明節(jié)能系統(tǒng)總體設計

1.1 隧道照明節(jié)能系統(tǒng)結構

基于麥克風陣列的隧道照明節(jié)能系統(tǒng)結構如圖1所示。本文隧道照明控制系統(tǒng)在照明控制選擇上，一改傳統(tǒng)照明“全天照明，分檔控制”的粗放控制模式為“車來前亮，車走漸暗”的精細控制模式，使隧道內分段保持“有車照明”和“無車照明”2個大類種照明狀態(tài)?！败噥砬傲痢敝杠囕v進入隧道前，照明系統(tǒng)提前進入“有車照明”狀態(tài)并在有車通行的情況下應提供足夠照明亮度，以保障隧道車輛的安全行駛；“車走漸暗”指車輛駛過后照明燈具逐漸變暗但不關滅的“無車照明”狀態(tài)，隧道在無車通行時提供基本保障照明，避免電流通斷的沖擊，延長燈具壽命。以“車來前亮，車走漸暗”的控制模式實現(xiàn)照明精細控制和延長燈具使用壽命的雙重效果。

圖1 系統(tǒng)總體框圖

由圖1可知，為了實現(xiàn)上述照明控制效果，本文系統(tǒng)采用視頻車檢器和音頻車檢器2個不同車檢器。音頻車檢器能檢測隧道內有車和無車，無法檢測車流量，但因其成本低廉適合大量布設；而視頻車檢器可以同時檢測多個車輛并獲得車流量信息，但因其成本高不適合大量使用，故在系統(tǒng)設計中只在洞口使用。其中車流量信息用于控制照明亮度，隧道內有車和無車用于控制精準照明。

系統(tǒng)中采用的基于麥克風陣列的車輛檢測方法在設計時將基于以下現(xiàn)實需求： 1)節(jié)能系統(tǒng)對隧道進行分段節(jié)能，無車地段只需把亮度調暗，滿足基本監(jiān)控需求即可，只需要得到該段有無車輛行駛的信息，而不需要對車型、數(shù)量等信息進行精確感知； 2)高速公路隧道左右洞間的隧道壁較厚，且洞內車輛為單向行駛，因此不需要考慮上下行車輛對反向隧道內音頻車輛檢測裝置所產(chǎn)生的干擾； 3)高速公路的車輛行駛速度快，輪胎噪聲為車輛音頻的主要成分，只需對車輛的輪胎噪聲進行智能提取與認知，同時抑制自然噪聲、人聲等干擾； 4)公路隧道是封閉的腔體，車輛音頻信號在隧道壁進行多次反射到達麥克風(形成混響)[10]，需要對混響進行有效抑制。

1.2 隧道照明節(jié)能系統(tǒng)控制原理

系統(tǒng)控制原理如圖2所示。

圖2 多信息協(xié)同的智能照明控制原理圖

Fig. 2 Intelligent lighting control principle based on multi-information coordination

由圖2可知，系統(tǒng)照明控制流程可歸結為如下主要步驟：

1)建立基于環(huán)境傳感的多信息協(xié)同控制模型。該模型以國家照明標準和照明行業(yè)標準為指導依據(jù)，綜合運用控制理論分析并以工程化模型輸入?yún)?shù)，基于以視頻亮度儀采集的隧道內外亮度環(huán)境信息變量，以視頻車檢器在隧道入口處實時檢測車流量變量、以音頻車檢器采集隧道內的車輛行駛變量，判斷車輛到達時間信息及其在隧道內車輛位移等信息，并結合已知隧道長度信息，建立多參數(shù)LED燈亮度協(xié)同亮度控制模型，實現(xiàn)隧道亮度控制。

2)利用視頻亮度檢測儀[11]、入口視頻車檢器[12]、隧道內有無車聲音檢測系統(tǒng)，獲取精準的環(huán)境與車輛信息，同時結合已知隧道長度信息、車流量信息等作為建立的基于環(huán)境傳感的多信息協(xié)同控制模型的輸入。

3)將控制模型部署在自主研發(fā)基于ARM的智能無級調光控制器上，該控制器是控制模型的重要載體。控制器(主要是部署其中的控制模型發(fā)揮作用)綜合判斷當前環(huán)境與有無車情況，決定燈光控制輸出量。根據(jù)調節(jié)好的輸出量，輸出每個LED燈光控制回路的控制信號，調節(jié)隧道內燈照明亮度與時長。

上述過程不斷重復，使隧道內照明根據(jù)環(huán)境變化不斷調節(jié)，達到實時精準控制的目的。當隧道發(fā)生突發(fā)事件時，如隧道火災，系統(tǒng)可通過與火災報警器聯(lián)動，或在交通管控下，由監(jiān)控中心遠程控制，將隧道切換為100%照明亮度，直到火災結束或監(jiān)控中心人工操作將隧道恢復正常照明控制。在實際工程應用中，本文提出的音頻車輛檢測裝置安裝于隧道內部每間隔200～400 m距離的車道側面或車道上方，通過分段檢測隧道有無車輛，進而實現(xiàn)隧道內部的分段照明，提高隧道洞內調光精細化程度，使隧道照明節(jié)能最大化。值得注意的是，較常規(guī)的國內外隧道節(jié)能技術[7-8]，本文考慮使用非接觸式、非埋地的車輛檢測方案，在設計中采用麥克風陣列構建隧道內有無車輛的聲音檢測系統(tǒng)，構建思路為利用麥克風陣列，在車輛行駛過程中拾取車輛輪胎和地面摩擦產(chǎn)生輪胎噪聲，通過改進MVDR算法和卷積神經(jīng)網(wǎng)絡對輪胎噪聲進行定向和辨識，從而實現(xiàn)車輛檢測。

1.3 多參數(shù)LED燈亮度協(xié)同的燈具亮度控制模型

系統(tǒng)將隧道分成入口段、中間段2大部分對其進行調光，具體方法參照《公路隧道照明設計細則》，進行分段照明優(yōu)化設計。

1)根據(jù)車流量、洞內外環(huán)境亮度對隧道入口段亮度進行控制，令入口段亮度

Lth=0.5×k×L20(S)[13]

(1)

式中：k為入口段亮度折減系數(shù)，取值見表1；L20(S)為安裝在隧道入口處的視頻亮度儀采集到的洞外亮度，cd/m2。

根據(jù)式(1)可計算得到Lth的值。

表1 入口段亮度折減系數(shù)k

注： 設計小時交通量N由隧道入口處的視頻車檢器檢測所得，當交通量在某個中間值時，則按線性內插取值；系統(tǒng)根據(jù)隧道的不同地理環(huán)境及行車條件，預先設定好設計速度v1，km/h。

2)為了進一步提升節(jié)能效果，提出隧道內車輛行駛狀況的精細照明控制方法。安裝在隧道內壁的音頻車輛檢測裝置可判斷隧道內是否有車，在無車情況下，系統(tǒng)將LED電流調至較低閾值(最大亮度的10%)而非關斷，使隧道內提供基本保障照明。在有車情況下，隧道中間段亮度Lln的取值可由表2得到。當設計速度v1為100 km/h時，中間段亮度可按80 km/h對應亮度來取值；當設計速度v1為120 km/h時，中間段亮度可按100 km/h對應亮度來取值[13]。令x為隧道音頻車輛檢測裝置的布設間距，隧道內亮度分布范圍如圖3所示。其中，Lln+x、Lln-x分別表示被檢測車輛前后距離(本項目取x=200 m)內亮度，取Lln。下文將主要圍繞雙向交通情況進行討論，將上述控制方法結合，建立了多參數(shù)LED燈亮度協(xié)同的燈具亮度控制模型。

表2 中間段亮度Lln

圖3 隧道亮度分布范圍

2 基于麥克風陣列的車輛檢測方法

2.1 基于麥克風陣列車輛檢測裝置

本文考慮的基于麥克風陣列的車輛檢測裝置結構示意如圖4所示。具體包括麥克風陣列模塊、麥克風信號接收模塊、降噪去混響模塊、事件檢測模塊。在廣西河池至百色高速公路中，為保證系統(tǒng)可靠性及準確度，基于麥克風陣列的車輛檢測裝置采用200 m安裝間隔。

圖4 基于麥克風陣列的車輛檢測裝置結構示意圖

Fig. 4 Structural schematic diagram of vehicle detection device based on microphone array

1)麥克風陣列模塊。采集公路上的交通聲音信號，該模塊包括6個數(shù)字MEMS數(shù)字麥克風，即麥克風A—F； 其中，麥克風A—E呈環(huán)形排列，麥克風F位于圓心，聲音模擬信號經(jīng)過數(shù)字麥克風陣列模塊輸出6路PDM數(shù)字信號，所述6路PDM數(shù)字信號作為麥克風信號接收模塊的輸入。

2)麥克風信號接收模塊。該模塊對6路PDM數(shù)字信號進行解調、濾波等預處理，將PDM數(shù)字信號轉換成單一采樣率和比特位的數(shù)字音頻信號。麥克風信號接收模塊采用XMOS公司XU216系列微處理器，XU216是高性能多核麥克風陣列處理器，具有多路PDM信號輸入接口和較強的處理能力，高度的靈活性和可編程性，同時集成了USB通信接口，能夠滿足本系統(tǒng)聲音陣列信號預處理的需要。麥克風陣列模塊輸出的6路PDM數(shù)字信號經(jīng)麥克風信號接收模塊解調后，得到6路44 k采樣率、16 bit的數(shù)字音頻信號，經(jīng)USB總線傳入嵌入式處理器進行后續(xù)處理。

3)降噪去混響模塊。該模塊可對6路數(shù)字音頻信號進行噪聲和混響抑制。在本文設計中，受文獻[14-15]啟示，采用改進的MVDR算法，利用多麥克風波束形成技術，對數(shù)字音頻信號進行增強，同時達到噪聲抑制和混響抑制的目的。所述降噪去混響模塊對6路數(shù)字音頻信號進行處理后，得到1路增強后的聲音數(shù)字信號，并輸入到事件檢測模塊。

4)事件檢測模塊。該模塊是集成在微處理器上的算法模塊，所述微處理器與降噪去混響模塊中的微處理器為同一微處理器。事件檢測模塊對1路增強后的聲音數(shù)字信號進行數(shù)字變換，通過Gammatone濾波器對該路聲音數(shù)字信號進行子帶濾波，得到音頻信號的耳蝸譜，然后將耳蝸譜輸入到訓練好的卷積神經(jīng)網(wǎng)絡得到事件類型的輸出概率，從而判斷交通事件類型[16-17]。

2.2 改進的MVDR算法

在麥克風陣列的降噪去混響模塊中，采用改進的MVDR算法，將麥克風信號頻譜和加性噪聲頻譜進行加權和，得到噪聲估計因子ki(ω)。接著構造代價函數(shù)J，進而將系統(tǒng)降噪去混響設計問題轉化為最小化代價函數(shù)J優(yōu)化問題。

步驟1： 假設信號已分幀，s(t)為聲音信號的一幀，檢測事件的發(fā)生，白化輸入信號s(t)，得到x(t)。

(2)

式中： E(s(t))為s(t)的數(shù)學期望；σs為s(t)的標準差；Ns為s(t)的長度。負熵

neg(x)=H(Ygauss)-H(x)

(3)

式中: H(x)=-E(logpx);px為x的概率密度；Ygauss為均值為0、方差為1的高斯白噪聲。

噪聲的負熵近似零，故能很好地區(qū)分事件幀和非事件幀[18]。如果neg(x)<0.2則無事件發(fā)生，該幀視為噪聲，估計Ni(ω)，跳過以下步驟。

步驟2： 估計各麥克風的衰減因子αi(ω),i=1,…，P。

(4)

式中：P為麥克風個數(shù)；Xi(ω)為第i個麥克風信號的頻譜；Ni(ω)為第i個麥克風的加性噪聲頻譜，并且Ni(ω)通過無事件幀估計得到。

通過估計麥克風的增益因子，能有效改善麥克風陣列的麥克風單元在增益不一致導致的時延估計不準確的問題。

步驟3： 構造代價函數(shù)J。

(5)

式中τi(i=1,…,P)為第i個麥克風與聲源之間的時延。

以采樣點為單位，求噪聲估計因子，ki(ω)=0.1|Xi(ω)|2+0.9E{|Ni(ω)|2}。

混響的能量是聲源信號的一部分，該因子把信號的小部分作為噪聲建模，通過該步驟處理，使算法具備抑制混響能力。

基于MVDR理論，求解關于J的最小化問題，即：

argminτJ

(6)

得到τi,i=1,…,P。

步驟4： 求解還原聲源信號的頻譜S(ω)。

(7)

式中：G(ω)=[α1(ω)e-jωτ1,…,αP(ω)e-jωτP]T；Q(ω)=

E[N(ω)NH(ω)]。

對求解所得的頻譜進行傅里葉逆變換，則可得經(jīng)降噪和去混響后的聲源時域波形。

2.3 車輛行駛事件判定方法

步驟1： 通過式(3)的取值情況得到事件的起點和終點時刻。

步驟2： 對聲源時域波形s(t)進行分幀，并求其Gammatone耳蝸譜。Gammatone濾波器組的沖擊響應[19]如式(8)所示。

g(f,t)=th-1e-2πvtcos(2πft)

(8)

式中：h=4為常量；v為濾波器中心頻率對應的等效矩形帶寬；f為子帶中心頻率。

則編號為c、中心頻率為fc的子帶可以通過對s(t)濾波得到

s(c,t)=s(t)*g(fc,t)

(9)

步驟3： 通過Gammatone濾波器組進行分帶濾波得到32個子帶信號，對這32個子帶信號求得頻譜，則得到關于s(t)的時間-頻譜分布圖，即耳蝸譜。

步驟4： 將耳蝸譜輸入到訓練好的卷積神經(jīng)網(wǎng)絡(本文使用著名的VGG16進行音頻認知訓練與推理)[17]，得到卷積神經(jīng)網(wǎng)絡的輸出，對輸出進行解碼得到隧道內事件類型，進而可將隧道內有無車輛行駛情況反饋給智能調光無級控制器。

2.4 基于麥克風陣列的車輛檢測方法

結合前文所述，可將本文提出的基于麥克陣列的車輛檢測方法歸結如下。

步驟1： 交通事件的聲音通過麥克風陣列模塊采集得到，該聲音模擬信號經(jīng)過N路數(shù)字麥克風輸出N路PDM格式的數(shù)字信號。

步驟2：N路PDM格式的數(shù)字信號輸入到麥克風信號接收模塊，經(jīng)過解調濾波轉換成N路數(shù)字音頻信號。

步驟3：N路數(shù)字音頻信號輸入到降噪去混響模塊中，采用改進的MVDR算法對數(shù)字音頻信號進行增強，得到1路聲音數(shù)字信號。

步驟4： 步驟3中得到的1路聲音數(shù)字信號輸入到事件檢測模塊，通過卷積神經(jīng)網(wǎng)絡得到交通事件類型的輸出概率，從而得到隧道內車輛行駛情況。

基于麥克風陣列的車輛檢測方法具體流程圖如圖5所示。

圖5 基于麥克風陣列的車輛檢測流程圖

3 試驗分析

為驗證本文技術可行性，將依次進行下列3組試驗，具體試驗分析如下。

試驗1： 應用本文方法驗證4種不同事件類型的系統(tǒng)識別率，事件類型分別為： 事件a——雨聲；事件b——蟲鳴鳥叫聲；事件c——人的說話聲；事件d——汽車行駛聲。為了不失一般性，試驗過程中，每類事件不同時發(fā)生，且每類事件選100個不同的樣本。通過試驗，統(tǒng)計本文設計的基于麥克風陣列的音頻車檢系統(tǒng)輸出的事件類型，判斷每類事件的識別率。本文方法在不同事件類型中的系統(tǒng)識別率如表3所示?？梢钥闯觯疚奶岢龅幕邴溈孙L陣列音頻車檢系統(tǒng)的事件平均識別率高于98%。

表3 本文方法在不同事件類型中的系統(tǒng)識別率

試驗2： 麥克風會收到自身噪聲、電源噪聲等因素的干擾。為驗證本文方法對降低電路噪聲的有效性，采用試驗1的a、b、c、d事件作為原型事件類型，基于本文音頻車輛事件檢測系統(tǒng)麥克風陣列處理，分別獲得經(jīng)過陣列中麥克風A獲得的事件、經(jīng)過陣列中改進的MVDR算法處理后的事件，所得新的事件類型如表4所示。首先，隨機選取事件d1、d2中的10個樣本作為信號源，驗證事件d1、d2的信噪比，所得結果如圖6所示?？梢钥闯觯录2的信噪比在10次試驗中均比事件d1的高，本文方法能有效抑制系統(tǒng)自身電路產(chǎn)生的隨機噪聲干擾。為了進一步證明系統(tǒng)的有效性，利用本文的卷積神經(jīng)網(wǎng)絡方法對表4中所有事件進行判定，所得系統(tǒng)識別率如表5所示。結合表5，可進一步驗證信號經(jīng)過本文改進的MVDR算法進行降噪和去混響后，有利于提高系統(tǒng)的識別率。

表4 構建的事件類型

圖6 原始信號與處理后信號信噪比對比圖

Fig. 6 Comparison of signal-noise ratio between raw signal and processed signal

表5 本文方法在不同事件類型中的系統(tǒng)識別率

試驗3： 在現(xiàn)實應用環(huán)境中，麥克風會收到一種或多種事件。對高速公路應用場景而言，車輛行駛的噪聲是主要的信號，也是能量最大的信號。當同時出現(xiàn)2種以上的音頻事件時，一般會導致識別率下降。為解決這個問題，本文應用麥克風陣列技術對車輛行駛信號(主信號)增強，同時對其他事件噪聲進行抑制。為驗證該方法的有效性，在現(xiàn)實高速公路場景，存在自然噪聲和人聲的情況下進行車輛音頻認知。在本試驗中，組合試驗1中的a、b、c、d事件作為本例試驗事件，具體事件組合方式，及其在應用本文方法后的系統(tǒng)識別率如表6所示?？梢钥闯觯疚姆椒▽旌鲜录淖R別率均高于95%。在其他噪聲影響下，仍能保持較高的有效性。

表6 本文方法在不同事件類型中的系統(tǒng)識別率

4 系統(tǒng)應用情況

本文提出的基于麥克風陣列的隧道照明節(jié)能方法與系統(tǒng)，分別應用安裝于洞外的視頻亮度檢測、視頻車檢，以及安裝于隧道內車道側面或車道上方的音頻車輛檢測設備，分別獲得洞內外亮度、車流量、車輛到達、隧道內是否存在車輛行駛的信息，通過融合上述信息，利用智能無級調光控制器，在隧道不同區(qū)段、不同洞外亮度、不同通車量情況下智能控制調整隧道照明，從而實現(xiàn)精準、按需調光，達到安全、舒適、節(jié)能、高效的照明效果，解決隧道中存在的耗能嚴重、運營維護費用高的問題。

目前，該系統(tǒng)已成功應用在廣西地區(qū)的高速公路和二級路，應用隧道總數(shù)超過150條(包括欽州至崇左高速、雷平至碩龍二級公路、河池至都安高速、來賓至馬山高速、馬山至平果高速，崇左至靖西高速、河池至百色高速、靖西至龍邦高速)。應用期間，產(chǎn)品節(jié)能效果好，穩(wěn)定可靠，節(jié)約了大量電能。系統(tǒng)在廣西河池至百色高速公路隧道的應用情況如圖7所示。

聯(lián)合業(yè)主單位廣西紅都高速公路有限公司測試，通過橫向對比2014通車的靖西至那坡高速公路20條隧道(該路段20條隧道采用的是常規(guī)的LED無級調光控制系統(tǒng))的運行耗能數(shù)據(jù)，與廣西河池至百色高速公路32條隧道(采用的本文系統(tǒng))的運行耗能數(shù)據(jù)，對比發(fā)現(xiàn)： 廣西河池至百色高速公路引入本文系統(tǒng)，近半年所需耗能明顯更少，比常規(guī)LED無級調光控制系統(tǒng)節(jié)能約20%。通過本文隧道照明節(jié)能技術方案的推廣和應用，可降低隧道節(jié)能產(chǎn)品的投資、應用成本，大幅提升隧道節(jié)能的效果，帶動公路節(jié)能行業(yè)的發(fā)展，促進國民經(jīng)濟的發(fā)展。

(b) 隧道內外車輛檢測器現(xiàn)場安裝圖2

(c) 多信息協(xié)同的智能照明控制主機

Fig. 7 Application of system in tunnel from Hechi to Baise Expressway

該系統(tǒng)的應用前景廣闊，根據(jù)《廣西高速公路網(wǎng)規(guī)劃(2018—2030年)》，到2030年，廣西高速公路合計新增建設規(guī)模將達到8 000 km以上，絕大部分在山區(qū)修筑。隧道照明燈具及節(jié)能控制系統(tǒng)的需求量大，未來在廣西高速公路隧道節(jié)能的需求量為4億元以上，在廣西公路隧道改建和升級工程上需求量為10億元以上，本文技術仍存在巨大市場。

5 結論與探討

1)在本文提出的基于麥克風陣列的音頻車輛認知方法中，采用改進的MVDR算法對麥克風陣列采集到的信號進行降噪和去混響。聯(lián)合理論分析和試驗分析驗證，該方法能有效降低電路噪聲、環(huán)境噪聲，進一步提高音頻車檢器識別率。

2)本文介紹的調光方案，通過在隧道內采用成本較低、識別率較高的非接觸音頻車檢技術，判斷隧道內車輛行駛狀況，對隧道照明進行精細化智能控制，實現(xiàn)隧道內的分段照明、精準調光，進一步提高現(xiàn)有調光技術的節(jié)能效率。

3)我國公路隧道節(jié)能尚處于起步和探索階段，隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術的進步，本文所研發(fā)的音頻陣列車檢技術仍有進一步研究的空間，形成更科學的技術體系。同時，本文隧道節(jié)能技術針對性較強，主要運用在封閉隧道中。在開放式應用場景下，如市政路的音頻車輛檢測技術及節(jié)能照明方案仍需進一步研究。