L'IA può controllare i semafori cittadini per ridurre la pressione del traffico o i tempi di attesa ?

Cosa significa lasciare che l’IA prenda il controllo dei semafori di una città? In sostanza, si tratta di utilizzare algoritmi per regolare costantemente i tempi di accensione dei segnali in tempo reale, con l’obiettivo di ottimizzare il flusso del traffico e ridurre i tempi di attesa agli incroci. La promessa è una città più silenziosa, meno ingorghi e percorsi più veloci. Ma quanto questa idea si è realmente allontanata dal laboratorio per arrivare sulle strade?

Background

I sistemi di controllo semaforico basati sull'IA sono passati dalle sperimentazioni pilota a implementazioni complete in diversi centri urbani. Questi sistemi si basano su flussi in tempo reale da telecamere agli incroci, sensori a loop induttivi incorporati nelle carreggiate e dati caricati da veicoli connessi per inferire le condizioni del traffico attuali e imminenti (Nature, 2023). I modelli di machine learning—spesso addestrati su registri storici dei segnali e rapporti sugli incidenti—prevedono la domanda a breve termine; quindi, agenti di reinforcement learning traducono queste previsioni in decisioni di fase dei semafori che minimizzano il ritardo cumulativo dei veicoli e la lunghezza delle code.

I primi lavori accademici risalgono alla fine degli anni 2000, quando ricercatori della Carnegie Mellon e dell'Università del Texas hanno dimostrato controllori del traffico adattivi che superavano i piani a tempo fisso del 15–20 % durante le ore di punta. Verso la metà degli anni 2010, sistemi come SCOOT (Split, Cycle and Offset Optimization Technique) e SCATS (Sydney Coordinated Adaptive Traffic System) erano già in funzione da decenni, ma le loro ottimizzazioni in anello chiuso erano tipicamente euristiche piuttosto che basate sull'apprendimento. Il lancio nel 2016 del sistema “SURTRAC” di Pittsburgh ha segnato la prima implementazione su larga scala di reinforcement learning: dispositivi edge agli incroci individuali hanno appreso politiche locali che sono state poi coordinate da un pianificatore centrale, riducendo i tempi di viaggio su arterie principali di circa il 25 % nei test sul campo.

Le implementazioni successive hanno ampliato sia l'ambito che le tecniche. A Hangzhou, in Cina, un motore AI chiamato “City Brain” elabora i flussi da 5.000 telecamere e regola 12.000 semafori in tutta la città, ottenendo una riduzione segnalata del 10 % nella durata media dei viaggi. Il sistema adattivo Green Link Determining (GLIDE) di Singapore, introdotto nel 2019, utilizza il re-identificazione dei veicoli e la stima della lunghezza delle code per riallocare il tempo verde in tempo reale, ottenendo una diminuzione del 12 % nei ritardi durante le ore di punta congestionate. Negli Stati Uniti, l'iniziativa “AI for Traffic Management” della Federal Highway Administration ha introdotto algoritmi adattivi ad Austin, Pittsburgh e Los Angeles, dove i primi risultati mostrano una riduzione delle code del 18–22 % nei corridoi strumentati.

Oltre a ridurre i ritardi, questi sistemi mirano a diminuire le emissioni riducendo i cicli di stop-and-go. Uno studio di simulazione del 2021 pubblicato su Transportation Research Part D ha stimato che il controllo adattivo su scala cittadina potrebbe ridurre le emissioni di CO₂ di circa il 5 % e quelle di NOₓ del 7 % in una rete metropolitana di medie dimensioni. La pre-emption per i veicoli di emergenza—sperimentata per la prima volta a Kansas City nel 2018—migliora ulteriormente le metriche di sicurezza concedendo priorità ai semafori preservando le fasi verdi per quelle in conflitto.

Tuttavia, rimangono sfide aperte. Problemi di qualità dei dati—flussi di sensori mancanti, occlusioni delle telecamere e spoofing avversario—possono degradare le prestazioni dei modelli. Le politiche a livello di incrocio devono essere armonizzate tra i distretti per evitare migrazioni del congestionamento; il co-apprendimento con i veicoli connessi promette di mitigare questo problema fornendo informazioni più ricche sulla domanda a monte. Le preoccupazioni per privacy e sicurezza informatica hanno spinto le città ad adottare architetture di apprendimento federato in cui i video grezzi non lasciano mai i nodi edge locali. Le barriere economiche, soprattutto nei comuni a basso reddito, persistono: i retrofit hardware possono superare i 2.500 USD per ogni testa semaforica, anche se i modelli di controller-as-a-service basati su cloud stanno iniziando a ridurre i costi di ingresso.