以下是交通信号灯的控制实验方案分类及图解分析（中文说明）：

一、基础控制方案

1. 固定配时控制

• 原理：预设固定周期时长、绿信比（绿灯时间占比）和相位顺序。
• 图解：

  | 相位1（南北直行） | 相位2（南北左转） | 相位3（东西直行） | 相位4（东西左转） |
  | 绿灯30秒         | 绿灯20秒         | 绿灯30秒         | 绿灯20秒         |
  └─────── 周期100秒 ───────┘

• 适用场景：车流量稳定的路口。
• 缺点：无法适应车流变化。

2. 感应控制（半自适应）

• 原理：通过检测器（如地磁线圈）实时感知车辆到达，动态延长或缩短绿灯时间。
• 图解：

        车辆到达检测器
              │
              ▼
    ┌─────────────────┐
    │ 最小绿灯时间（如10秒）│
    └────────┬────────┘
             │
    ┌─────▼─────┐
    │ 车辆持续到达？│──是─→ 延长绿灯（最多至最大值）
    └─────┬─────┘
          │否
          ▼
      切换相位

• 优点：减少空放绿灯时间。

二、高级协同控制方案

3. 绿波带协调控制

• 原理：多个路口联动，使车辆按预设速度连续通过绿灯。
• 图解：

  路口A: | 绿  | 红  | 红  |
  路口B: | 红  | 绿  | 红  | → 车辆以40km/h通过A→B
  路口C: | 红  | 红  | 绿  |
        t0   t1   t2

• 关键参数：相位差（相邻路口绿灯启亮时间差）。

4. 自适应控制（全动态）

• 原理：AI模型根据实时交通流（车流量、排队长度）全局优化信号参数。
• 架构图：

  车流数据（摄像头/雷达） → 中央控制系统 
    │（机器学习模型：Q学习/神经网络）│
    ▼
  动态调整各路口：周期、绿信比、相位差

• 优势：应对突发拥堵，优化通行效率。

三、特殊场景控制方案

5. 公交优先控制

• 原理：检测公交车辆到达，提前给予绿灯或延长绿灯。
• 流程图：

  公交车接近路口 → 检测器触发 → 提前结束当前相位 → 切换至公交相位

6. 行人过街请求

• 原理：行人按钮触发专用相位。

  行人按下按钮 → 等待当前车流相位结束 → 切换行人绿灯

四、实验工具与平台

实验实现方式：

1. 硬件沙盘模拟
   • 实物模型路口 + Arduino/Raspberry Pi控制LED信号灯。
   • 传感器：红外/超声波检测车辆。
2. 仿真软件
   • 工具：SUMO (Simulation of Urban Mobility)、VISSIM、AIMSUN。
   • 数据流：

     设置路网 → 导入车流数据 → 选择控制策略 → 运行仿真 → 输出指标（延误、排队长度）

3. 强化学习训练
   • 在SUMO中搭建环境，使用DQN、A3C等算法训练信号控制AI代理。

五、关键评价指标

• 通行效率：每小时通过车辆数（辆/小时）
• 延误时间：车辆平均等待时间（秒）
• 排队长度：最大排队车辆数
• 绿灯利用率：绿灯期间实际通过车辆数 / 理论容量

图解示例：绿波带协调控制

         [路口A]        [路口B]         [路口C]
时间 0s:  绿灯亮        红灯           红灯
        车辆通过A →→→→→→→→→→→→→→→→→ 
时间 20s: 红灯          绿灯亮        红灯
                    车辆通过B →→→→→→→→→→→
时间 40s: 红灯          红灯          绿灯亮
                                车辆通过C

注：箭头表示车辆以恒定速度连续通行。

方案选择建议

通过以上实验方案及图解，可根据具体需求设计交通信号控制策略，并通过仿真或硬件验证优化效果。需要详细参数配置或代码实现示例可进一步补充说明。