مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 1 2026 03 21 Analysis and evaluation of the method of determining the performance of self-driving cars at intersections in yellow light conditions using artificial intelligence تحلیل و ارزیابی روش تعیین عملکرد ماشین خودران در تقاطع‌ها در شرایط چراغ زرد با استفاده از هوش مصنوعی 35 54 194428 10.22034/tri.2024.419174.3195 FA شهریار افندی زاده استاد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران 0000-0001-5137-3673 محمود احمدی نژاد دانشیار، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران امیرحسین داراب پور دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران حمید بیگدلی راد دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران Journal Article 2023 10 03 <span style="font-size: 12.0pt; line-height: 107%; font-family: 'Times New Roman',serif; mso-fareast-font-family: Calibri; mso-fareast-theme-font: minor-latin; mso-bidi-font-family: 'B Lotus'; mso-font-kerning: 1.0pt; mso-ligatures: standardcontextual; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: FA;">The main goal of this research is to implement an artificial intelligence system based on deep learning to detect and determine the distance between traffic lights and the self-driving car and the proper performance of the car in yellow light conditions. To implement the model, the data set specific to the lights of Tehran city was used, and the model works in the framework of the TensorFlow library. To evaluate the performance of the model in different conditions, including the width of the intersection and the speed of the vehicle, the images of the training section were used, which enables the car to decide to cross the intersection or stop at the intersection using the four scenarios presented in this research. The analysis of the model results by checking the output of the model such as correctness, accuracy, recall, F1 score and speed of the models were evaluated with the results of past studies and showed that the results are correct and have higher accuracy than the existing models. Also, the best model presented in this research has an accuracy of 96% and an accuracy of 98%. Based on the traffic light data of Tehran city, this system is able to calculate the distance of the car to the traffic light with an error of less than one percent (0.8 percent), which shows the high accuracy of the model that can provide a proper performance in yellow light conditions. </span> هدف اصلی این پژوهش، پیاده‌سازی یک سیستم هوش‌مصنوعی بر پایه یادگیری‌عمیق برای تشخیص و تعیین فاصله‌ی چراغ‌های راهنمایی تا خودروی خودران و عملکرد مناسب خودرو در شرایط زرد چراغ می‌باشد. نوآوری این پژوهش استفاده از مجموعه‌داده شهر تهران و پیاده‌سازی مدلی با دقت بیشتر از مدل‌های ساخته‌شده در مطالعات پیشین و همچنین استفاده از یک دوربین برای تشخیص فاصله خودرو تا چراغ‌راهنمایی می‌باشد. برای پیاده‌سازی مدل از مجموعه‌داده مختص چراغ‌های شهر تهران استفاده گردیده که مدل در چارچوب کتابخانه Tensorflow عمل می‌کند. برای ارزیابی عملکرد مدل در شرایط مختلف از جمله عرض تقاطع و سرعت وسیله نقلیه از تصاویر بخش آموزش استفاده شد که خودرو را قادر می سازد تا با استفاده از چهار سناریوی مطرح شده در این پژوهش تصمیم به عبور از تقاطع یا توقف در تقاطع بگیرد. تحلیل نتایج مدل با بررسی خروجی مدل همچون درستی، دقت، یادآوری، امتیاز F1 و سرعت مدل‌ها با نتایج مطالعات گذشته ارزیابی شده و نشان داد نتایج صحیح بوده و نسبت به مدل‌های موجود از دقت بالاتری برخوردار می باشد. همچنین مدل برتر ارائه شده در این پژوهش، دارای دقتی برابر 96 و درستی برابر با 98 درصد می‌باشد. این سیستم بر اساس داده‌های چراغ‌راهنمایی شهر تهران قادر است با خطای کمتر از یک درصد(8/0 درصد) فاصله‌ی خودرو تا چراغ‌راهنمایی را محاسبه کند که نشان دهنده دقت بالای مدل می‌باشد که می‌تواند یک عملکرد مناسب را در شرایط زرد چراغ ارائه دهد. از این مدل می‌توان به عنوان جایگزین انسان در تشخیص چراغ‌راهنمایی در خودروهای خودران در حالت زرد چراغ استفاده نمود https://www.trijournal.ir/article_194428_664ef2ceb7bd1285c59dbdc9242366b4.pdf