Může umělá inteligence řídit městské semafory, aby snížila dopravní zácpy nebo čekací doby ?

Co znamená nechat umělou inteligenci řídit dopravní světla ve městě? V podstatě jde o používání algoritmů, které neustále upravují načasování signálů v reálném čase, s cílem vyhladit dopravní proud a zkrátit čekací doby na křižovatkách. Slibem je tišší město, méně dopravních zácp a rychlejší trasy. Ale jak daleko se tato myšlenka skutečně dostala z laboratoře do ulic?

Background

Systémy řízení dopravních světel poháněné umělou inteligencí se z pilotních testů přesunuly k plnému nasazení v několika městských centrech. Tato nasazení spoléhají na živé přenosy z kamer na křižovatkách, indukčních smyček zabudovaných v vozovkách a dat nahrávaných připojenými vozidly, aby odhadovaly současné a hrozící dopravní podmínky (Nature, 2023). Modely strojového učení – často vyškolené na historických záznamech signálů a hlášeních o incidentech – předpovídají krátkodobou poptávku; agenti posilujícího učení pak tyto předpovědi převádějí do rozhodnutí o fázích signálů, která minimalizují kumulativní zpoždění vozidel a délky front.

Počátky akademické práce sahají do konce 20. let 20. století, kdy výzkumníci z Carnegie Mellon a University of Texas demonstrovali adaptivní dopravní regulátory, které během špiček překonaly plány s pevným časováním o 15–20 %. Do poloviny 20. let 20. století již systémy jako SCOOT (Split, Cycle and Offset Optimization Technique) a SCATS (Sydney Coordinated Adaptive Traffic System) běžely po desetiletí, jejich uzavřené optimalizace však byly obvykle heuristické spíše než založené na učení. Spuštění pittsburského systému „SURTRAC“ v roce 2016 znamenalo první rozsáhlé nasazení posilujícího učení: zařízení na okrajích na jednotlivých křižovatkách se naučila místní strategie, které později koordinoval centrální plánovač, čímž se v terénních testech snížily doby cestování na klíčových tepnách přibližně o 25 %.

Následná nasazení rozšířila jak rozsah, tak techniky. V Hangzhou v Číně umělý mozek „City Brain“ zpracovává přenosy z 5 000 kamer a upravuje 12 000 signálů po celém městě, čímž dosáhl hlášeného snížení průměrné doby cestování o 10 %. Singapurský adaptivní systém Green Link Determining (GLIDE), zavedený v roce 2019, využívá reidentifikaci vozidel a odhad délky front v reálném čase k přerozdělování zeleného času, což vede ke snížení zpoždění během špiček o 12 %. Ve Spojených státech iniciativa Federálního správce dálnic „AI pro řízení dopravy“ nasadila adaptivní algoritmy v Austinu, Pittsburghu a Los Angeles, kde počáteční výsledky ukazují zmenšení délky front o 18–22 % na vybavených koridorech.

Kromě snižování zpoždění tyto systémy cílí také na snížení emisí tím, že omezují cykly zastavení a rozjezdu. Studie z roku 2021 publikovaná v Transportation Research Part D odhaduje, že adaptivní řízení po celém městě by mohlo snížit emise CO₂ o přibližně 5 % a NOₓ o 7 % v síti středně velkého metropolitního regionu. Přednostní průjezd vozidel pro záchranné složky – poprvé testovaný v Kansas City v roce 2018 – dále zlepšuje bezpečnostní metriky tím, že uděluje přednost světlům, přičemž zachovává zelené fáze pro konfliktní směry.

Přesto však zůstávají otevřené výzvy. Problémy s kvalitou dat – chybějící senzorové přenosy, zakrytí kamer a podvodné útoky – mohou snižovat výkon modelů. Strategie na úrovni křižovatek musí být sladěny napříč čtvrtěmi, aby se zabránilo migraci dopravních zácp; společné učení s připojenými vozidly slibuje toto zmírnit tím, že poskytuje bohatší informace o poptávce v předstihu. Obavy o soukromí a kybernetickou bezpečnost přiměly města k přijetí architektur federovaného učení, kde se surová videa nikdy neopouštějí místní okrajová zařízení. Ekonomické bariéry, zejména v obcích s nízkými příjmy, přetrvávají: hardwarové úpravy mohou přesáhnout 2 500 USD na každou světelnou hlavu, i když modely typu „controller-as-a-service“ založené na cloudu začínají snižovat vstupní náklady.