Czy AI może sterować sygnalizacją świetlną w całym mieście, aby zmniejszyć natężenie ruchu lub czasy oczekiwania ?

Co to znaczy oddać sterowanie sygnalizacją świetlną w mieście sztucznej inteligencji? W zasadzie chodzi o wykorzystanie algorytmów do ciągłego dostosowywania czasu trwania sygnałów w czasie rzeczywistym, mając na celu usprawnienie ruchu drogowego i skrócenie czasu oczekiwania na skrzyżowaniach. Obietnica to spokojniejsze miasto, mniejsze korki i szybsze trasy. Ale jak daleko ta idea faktycznie dotarła z laboratorium na ulice?

Background

Systemy sterowania sygnalizacją świetlną napędzane AI przeszły od pilotażowych testów do pełnego wdrożenia w kilku ośrodkach miejskich. Wdrożenia te opierają się na transmisjach na żywo z kamer na skrzyżowaniach, pętli indukcyjnych umieszczonych w jezdniach oraz danych przesyłanych przez podłączone pojazdy w celu wnioskowania o aktualnych i nadchodzących warunkach ruchu (Nature, 2023). Modele uczenia maszynowego – często trenowane na historycznych dziennikach sygnałów i raportach incydentów – prognozują krótkoterminowe zapotrzebowanie; następnie agenci uczenia przez wzmacnianie (reinforcement-learning) przekładają te prognozy na decyzje dotyczące faz sygnałów, minimalizując łączne opóźnienia pojazdów i długości kolejek.

Wczesne prace akademickie sięgają końca lat 2000., kiedy badacze z Carnegie Mellon i University of Texas zademonstrowali adaptacyjne regulatory ruchu, które w godzinach szczytu przewyższały plany o stałym czasie o 15–20%. Do połowy lat 2010. systemy takie jak SCOOT (Split, Cycle and Offset Optimization Technique) i SCATS (Sydney Coordinated Adaptive Traffic System) były już stosowane od dziesięcioleci, jednak ich zamknięte pętle optymalizacji były zazwyczaj heurystyczne, a nie oparte na uczeniu. W 2016 roku uruchomienie systemu „SURTRAC” w Pittsburghu oznaczało pierwsze wdrożenie uczenia przez wzmacnianie na dużą skalę: urządzenia brzegowe na poszczególnych skrzyżowaniach uczyły się lokalnych polityk, które później były koordynowane przez centralny harmonogram, skracając czasy podróży na głównych arteriach o około 25% w testach terenowych.

Kolejne wdrożenia poszerzały zarówno zakres, jak i techniki. W Hangzhou w Chinach, silnik AI o nazwie „City Brain” przetwarza transmisje z 5 000 kamer i dostosowuje 12 000 sygnałów w całym mieście, osiągając – jak podano – 10% redukcję średniego czasu podróży. Singapurski adaptacyjny system Green Link Determining (GLIDE), wprowadzony w 2019 roku, wykorzystuje ponowną identyfikację pojazdów i szacowanie długości kolejek do natychmiastowego dostosowywania alokacji czasu zielonego, co przynosi 12% spadek opóźnień w godzinach szczytu. W Stanach Zjednoczonych Federalna Administracja Drogowa (FHWA) zainicjowała program „AI for Traffic Management”, wprowadzając algorytmy adaptacyjne w Austin, Pittsburghu i Los Angeles, gdzie wstępne wyniki pokazują skrócenie kolejek o 18–22% na wyposażonych korytarzach.

Poza redukcją opóźnień systemy te mają na celu obniżenie emisji poprzez ograniczenie cykli zatrzymywania i ruszania. Badanie symulacyjne opublikowane w 2021 roku w Transportation Research Part D szacowało, że adaptacyjna kontrola w skali miasta może zmniejszyć emisję CO₂ o około 5% i NOₓ o 7% w średniej wielkości sieci metropolitalnej. Priorytetowanie pojazdów uprzywilejowanych – po raz pierwszy wypróbowane w Kansas City w 2018 roku – dodatkowo poprawia wskaźniki bezpieczeństwa, przyznając priorytet światłom, zachowując jednocześnie podziały zielonego dla faz konfliktowych.

Pomimo to pozostają otwarte wyzwania. Problemy z jakością danych – brakujące transmisje z czujników, przesłonięcia kamer i fałszywe sygnały – mogą obniżać wydajność modeli. Polityki na poziomie skrzyżowań muszą być zsynchronizowane między dzielnicami, aby uniknąć migracji zatorów; współuczenie z podłączonymi pojazdami obiecuje złagodzić ten problem, dostarczając bogatszych informacji o zapotrzebowaniu upstream. Obawy dotyczące prywatności i cyberbezpieczeństwa skłoniły miasta do przyjęcia architektur uczenia federacyjnego, w których surowe nagrania wideo nigdy nie opuszczają lokalnych węzłów brzegowych. Bariery ekonomiczne, szczególnie w gminach o niskich dochodach, nadal istnieją: modernizacja sprzętu może przekraczać 2 500 USD za głowicę sygnalizacyjną, choć modele typu controller-as-a-service oparte na chmurze zaczynają obniżać koszty wejścia.