Kan AI verkeerslichten in een hele stad aansturen om verkeersdruk of wachttijden te verminderen ?

Wat betekent het om AI de teugels van een stad zijn verkeerslichten te laten overnemen? In essentie gaat het om het gebruik van algoritmes om verkeerslichten continu in realtime aan te passen, met als doel de verkeersstroom te optimaliseren en wachttijden bij kruispunten te verkorten. De belofte is een stillere stad, minder files en snellere routes. Maar hoe ver is dit idee eigenlijk van het lab naar de straat gekomen?

Background

AI-gestuurde verkeerslichtbeheersystemen zijn van proefprojecten overgegaan naar volledige implementaties in verschillende stedelijke centra. Deze implementaties maken gebruik van live beelden van camerabeelden op kruispunten, inductielus-sensoren in de wegbedding en data die wordt geüpload door verbonden voertuigen om actuele en dreigende verkeersomstandigheden te voorspellen (Nature, 2023). Machine-learningmodellen—vaak getraind op historische signaallogboeken en incidentrapporten—voorspellen de vraag op korte termijn; versterkingslerende agenten vertalen deze voorspellingen vervolgens in beslissingen over signaalfasen die de cumulatieve voertuigvertraging en wachtrijlengtes minimaliseren.

Vroeg academisch werk dateert uit de late jaren 2000, toen onderzoekers van Carnegie Mellon en de Universiteit van Texas adaptieve verkeersregelaars demonstreerden die vaste-tijdschema’s met 15–20 % overtroffen tijdens piekuren. Tegen het midden van de jaren 2010 liepen systemen zoals SCOOT (Split, Cycle and Offset Optimization Technique) en SCATS (Sydney Coordinated Adaptive Traffic System) al tientallen jaren, maar hun gesloten-lusoptimalisaties waren meestal heuristisch in plaats van gebaseerd op leren. De lancering van Pittsburgh’s “SURTRAC”-systeem in 2016 markeerde de eerste grootschalige implementatie van versterkingsleren: randapparaten op individuele kruispunten leerden lokale beleidslijnen die later werden gecoördineerd door een centraal planningsysteem, waardoor de reistijden op belangrijke verkeersaders met ongeveer 25 % werden verminderd in veldtests.

Latere implementaties breidden zowel de reikwijdte als de techniek uit. In Hangzhou, China, verwerkt een AI-motor genaamd “City Brain” beelden van 5.000 camera’s en past 12.000 verkeerslichten in de hele stad aan, wat resulteert in een gemelde vermindering van 10 % in de gemiddelde reistijd. Singapore’s Green Link Determining (GLIDE) adaptieve systeem, geïntroduceerd in 2019, gebruikt herkenning van voertuigen en schattingen van wachtrijlengtes om de groene-tijdverdeling in realtime aan te passen, wat leidt tot een daling van 12 % in vertragingen tijdens congestiepiekuren. In de Verenigde Staten heeft het Federal Highway Administration’s “AI for Traffic Management”-initiatief adaptieve algoritmen geïntroduceerd in Austin, Pittsburgh en Los Angeles, waar vroege resultaten laten zien dat wachtrijlengtes op geïnstrumenteerde wegen met 18–22 % afnemen.

Naast het verminderen van vertraging streven deze systemen ernaar de uitstoot te verlagen door stop-en-gascycli te verminderen. Een simulatiestudie uit 2021, gepubliceerd in Transportation Research Part D, schatte dat adaptieve controle op stadsniveau de CO₂-uitstoot met ongeveer 5 % en NOₓ met 7 % kan verminderen in een middelgroot stedelijk netwerk. Voorrang voor noodvoertuigen—voor het eerst getest in Kansas City in 2018—versterkt de veiligheidsmetrieken verder door lichtvoorrang te verlenen terwijl de groene splitsing voor conflicterende fasen behouden blijft.

Toch blijven er open uitdagingen bestaan. Problemen met de datakwaliteit—ontbrekende sensorfeeds, verstopte camera’s en vijandige vervalsingen—kunnen de modelprestaties aantasten. Beleidslijnen op kruispuntniveau moeten worden afgestemd tussen districten om migratie van files te voorkomen; co-leren met verbonden voertuigen belooft dit te verzachten door rijkere upstream-vraaginformatie te bieden. Privacy- en cyberbeveiligingszorgen hebben steden ertoe gebracht federatieve leermodellen te adopteren waarbij ruwe videobeelden nooit de lokale randknooppunten verlaten. Economische drempels, vooral in gemeenten met lage inkomens, blijven bestaan: hardware-retrofits kunnen meer dan US$ 2.500 per verkeerslicht bedragen, hoewel cloudgebaseerde controller-as-a-service-modellen de instapkosten beginnen te verlagen.