A IA pode controlar semáforos a nível municipal para reduzir a pressão ou tempos de espera no trânsito ?

O que significa deixar a IA tomar as rédeas dos semáforos de uma cidade? Em essência, trata-se de usar algoritmos para ajustar constantemente os tempos de sinalização em tempo real, com o objetivo de suavizar o fluxo de trânsito e reduzir os tempos de espera nos cruzamentos. A promessa é uma cidade mais silenciosa, menos engarrafamentos e rotas mais rápidas. Mas até que ponto esta ideia já saiu do laboratório para as ruas?

Background

Os sistemas de controlo de semáforos impulsionados por IA passaram de testes-piloto para implementações completas em vários centros urbanos. Estas implementações dependem de transmissões em direto de câmaras de intersecção, sensores de laço indutivo incorporados nas vias e dados carregados por veículos conectados para inferir as condições atuais e iminentes do tráfego (Nature, 2023). Modelos de aprendizagem automática — frequentemente treinados em registos históricos de sinais e relatórios de incidentes — preveem a procura a curto prazo; agentes de aprendizagem por reforço traduzem então essas previsões em decisões de fase de sinal que minimizam o atraso cumulativo dos veículos e o comprimento das filas.

Os primeiros trabalhos académicos remontam ao final dos anos 2000, quando investigadores da Carnegie Mellon e da Universidade do Texas demonstraram controladores de tráfego adaptativos que superavam os planos de tempo fixo em 15–20 % durante as horas de ponta. Na década de 2010, sistemas como o SCOOT (Split, Cycle and Offset Optimization Technique) e o SCATS (Sydney Coordinated Adaptive Traffic System) já estavam em funcionamento há décadas, mas as suas otimizações em malha fechada eram tipicamente heurísticas em vez de baseadas em aprendizagem. O lançamento do sistema “SURTRAC” em Pittsburgh, em 2016, marcou a primeira implementação em larga escala de aprendizagem por reforço: dispositivos de ponta em intersecções individuais aprendiam políticas locais que eram depois coordenadas por um programador central, reduzindo os tempos de viagem em artérias principais em cerca de 25 % em testes de campo.

As implementações subsequentes alargaram tanto o âmbito como a técnica. Em Hangzhou, China, um motor de IA chamado “City Brain” processa transmissões de 5.000 câmaras e ajusta 12.000 sinais em toda a cidade, alcançando uma redução relatada de 10 % na duração média das viagens. O sistema adaptativo Green Link Determining (GLIDE) de Singapura, introduzido em 2019, utiliza a re-identificação de veículos e a estimativa do comprimento das filas para alterar a alocação do tempo de verde em tempo real, resultando numa diminuição de 12 % nos atrasos durante os picos de congestionamento. Nos Estados Unidos, a iniciativa “AI for Traffic Management” da Federal Highway Administration introduziu algoritmos adaptativos em Austin, Pittsburgh e Los Angeles, onde os primeiros resultados mostram que os comprimentos das filas diminuíram entre 18–22 % nos corredores instrumentados.

Para além de reduzir os atrasos, estes sistemas visam diminuir as emissões, cortando os ciclos de paragem e arranque. Um estudo de simulação de 2021 publicado na Transportation Research Part D estimou que o controlo adaptativo a nível da cidade poderia reduzir as emissões de CO₂ em cerca de 5 % e as de NOₓ em 7 % numa rede metropolitana de tamanho médio. A prioridade para veículos de emergência — testada pela primeira vez em Kansas City em 2018 — reforça ainda mais os indicadores de segurança, ao conceder prioridade luminosa enquanto preserva as divisões de verde para fases conflitantes.

No entanto, permanecem desafios em aberto. Problemas de qualidade dos dados — transmissões de sensores em falta, oclusões de câmaras e falsificações adversariais — podem degradar o desempenho do modelo. As políticas a nível de intersecção devem ser harmonizadas entre distritos para evitar a migração do congestionamento; a co-aprendizagem com veículos conectados promete mitigar este problema, ao fornecer informações mais ricas sobre a procura a montante. Preocupações com a privacidade e a cibersegurança levaram as cidades a adotar arquiteturas de aprendizagem federada, onde os vídeos brutos nunca saem dos nós locais de ponta. As barreiras económicas, especialmente em municípios de baixos rendimentos, persistem: os retrofit de hardware podem exceder os 2.500 USD por cabeça de sinal, embora os modelos de controlador como serviço baseado na cloud comecem a reduzir os custos de entrada.