Kan AI styre byens trafiklys for at reducere trafiktryk eller ventetid ?

Hvad betyder det at lade AI tage tøjlerne på en bys trafiklys? I bund og grund handler det om at bruge algoritmer til konstant at justere signalernes varighed i realtid med det formål at glatte trafikflowet ud og mindske ventetiden ved kryds. Løftet er en mere stille by, mindre trafikpropper og hurtigere ruter. Men hvor langt er denne idé egentlig nået fra laboratoriet og ud på gaderne?

Background

AI-drevne trafiklysstyringssystemer er gået fra pilotforsøg til fuld implementering i flere bycentre. Disse implementeringer er afhængige af live feeds fra vejkameras, induktive sløjfefølere indlejret i vejbaner og data uploadet af forbundne køretøjer for at udlede aktuelle og forestående trafikforhold (Nature, 2023). Maskinlæringsmodeller—ofte trænet på historiske signallogger og hændelsesrapporter—forudsiger kortsigtet efterspørgsel; forstærkningslæringsagenter omsætter derefter disse forudsigelser til beslutninger om signalfaser, der minimerer den samlede køretøjsforsinkelse og kølængder.

Tidligt akademisk arbejde går tilbage til slutningen af 2000'erne, hvor forskere fra Carnegie Mellon og University of Texas demonstrerede adaptive trafikstyringer, der overgik fast-tidsplaner med 15–20 % i myldretiden. I midten af 2010'erne havde systemer som SCOOT (Split, Cycle and Offset Optimization Technique) og SCATS (Sydney Coordinated Adaptive Traffic System) allerede kørt i årtier, men deres lukkede optimeringer var typisk heuristiske snarere end baseret på læring. Lanceringen af Pittsburghs "SURTRAC"-system i 2016 markerede den første storskala implementering af forstærkningslæring: kant-enheder ved individuelle vejkryds lærte lokale strategier, der senere blev koordineret af en central planlægger, hvilket reducerede rejsetider på vigtige hovedveje med cirka 25 % i feltforsøg.

Efterfølgende implementeringer udvidede både omfang og teknik. I Hangzhou, Kina, indtager en AI-motor kaldet "City Brain" feeds fra 5.000 kameraer og justerer 12.000 signaler på tværs af byen, hvilket opnår en rapporteret reduktion på 10 % i gennemsnitlig rejsetid. Singapores Green Link Determining (GLIDE) adaptive system, introduceret i 2019, bruger genidentifikation af køretøjer og estimering af kølængder til at justere tildelingen af grøntid i realtid, hvilket resulterer i en 12 % reduktion i forsinkelser i myldretiden. I USA har Federal Highway Administrations "AI for Traffic Management"-initiativ sået adaptive algoritmer i Austin, Pittsburgh og Los Angeles, hvor tidlige resultater viser, at kølængderne skrumper med 18–22 % på instrumenterede korridorer.

Ud over at reducere forsinkelser sigter disse systemer også mod at sænke emissionerne ved at reducere stop-and-go-cyklusser. En simulationsundersøgelse fra 2021 offentliggjort i Transportation Research Part D anslog, at byomfattende adaptiv kontrol kunne reducere CO₂-udledningen med cirka 5 % og NOₓ med 7 % i et mellemstort bynetværk. Nødudrykningskøretøjers fortrinsret—først afprøvet i Kansas City i 2018—styrker yderligere sikkerhedsparametre ved at give lysprioritet, samtidig med at grønne faser bevares for modstridende retninger.

Der er dog stadig udestående udfordringer. Datakvalitetsproblemer—manglende sensorfeeds, kamerablokeringer og modstridende spoofing—kan forringe modelpræstationen. Politikker på vejkrydsniveau skal harmoniseres på tværs af distrikter for at undgå trafikpropper; co-læring med forbundne køretøjer lover at afhjælpe dette ved at levere rigere information om den kommende efterspørgsel. Privatlivs- og cybersikkerhedsbekymringer har fået byer til at indføre federeret læringsarkitekturer, hvor rå video aldrig forlader lokale kantnoder. Økonomiske barrierer, især i kommuner med lav indkomst, består: hardwareopgraderinger kan overstige US$2.500 pr. signalhoved, selvom cloud-baserede controller-as-a-service-modeller begynder at sænke adgangsomkostningerne.