Poate AI controla semafoarele din întreaga oraș pentru a reduce traficul sau timpul de așteptare ?

Ce înseamnă să lași AI să preia controlul semafoarelor unei orașe? În esență, este vorba despre folosirea algoritmilor pentru a regla constant timpii de semnalizare în timp real, cu scopul de a fluidiza traficul și de a reduce timpii de așteptare la intersecții. Promisiunea este un oraș mai liniștit, cu mai puțină aglomerație și rute mai rapide. Dar cât de mult a avansat această idee de la laborator pe străzi?

Background

Sistemele de control al semaforelor bazate pe inteligență artificială au trecut de la teste pilot la implementări complete în mai multe centre urbane. Aceste implementări se bazează pe fluxuri live din camerele de la intersecții, senzori cu bucle inductive încorporați în drumuri și date încărcate de vehiculele conectate pentru a deduce condițiile actuale și iminente ale traficului (Nature, 2023). Modelele de învățare automată — adesea antrenate pe istoricul semnalelor și rapoartele de incidente — prognozează cererea pe termen scurt; agenții de învățare prin întărire traduc apoi aceste prognoze în decizii privind fazele semaforului care minimizează întârzierile și lungimile cozilor ale vehiculelor.

Lucrările academice timpurii datează din sfârșitul anilor 2000, când cercetătorii de la Carnegie Mellon și Universitatea din Texas au demonstrat controlere adaptive de trafic care au depășit cu 15–20 % planurile cu timp fix în orele de vârf. Până la mijlocul anilor 2010, sisteme precum SCOOT (Split, Cycle and Offset Optimization Technique) și SCATS (Sydney Coordinated Adaptive Traffic System) funcționau deja de zeci de ani, dar optimizările lor în buclă închisă erau de obicei euristice, nu bazate pe învățare. Lansarea din 2016 a sistemului „SURTRAC” din Pittsburgh a marcat prima implementare la scară largă a învățării prin întărire: dispozitivele de margine de la intersecții individuale au învățat politici locale care au fost ulterior coordonate de un programator central, reducând timpii de călătorie pe arterele cheie cu aproximativ 25 % în testele din teren.

Implementările ulterioare au extins atât domeniul, cât și tehnicile. În Hangzhou, China, un motor AI numit „City Brain” prelucrează fluxuri din 5.000 de camere și ajustează 12.000 de semnale în întreaga oraș, obținând o reducere raportată cu 10 % a duratei medii a călătoriei. Sistemul adaptiv Green Link Determining (GLIDE) din Singapore, introdus în 2019, utilizează re-identificarea vehiculelor și estimarea lungimii cozilor pentru a redistribui alocarea timpului de verde în timp real, obținând o scădere de 12 % a întârzierilor în orele de vârf congestionate. În Statele Unite, inițiativa „AI for Traffic Management” a Federal Highway Administration a implementat algoritmi adaptivi în Austin, Pittsburgh și Los Angeles, unde rezultatele inițiale arată că lungimile cozilor se reduc cu 18–22 % pe coridoarele instrumentate.

Pe lângă reducerea întârzierilor, aceste sisteme își propun să scadă emisiile prin reducerea ciclurilor de oprire și mers. Un studiu de simulare din 2021 publicat în Transportation Research Part D a estimat că controlul adaptiv la nivelul întregului oraș ar putea reduce emisiile de CO₂ cu aproximativ 5 % și NOₓ cu 7 % într-o rețea metropolitană de dimensiuni medii. Prioritizarea vehiculelor de urgență — testată pentru prima dată în Kansas City în 2018 — consolidează și mai mult indicatorii de siguranță prin acordarea priorității semaforului în timp ce păstrează fazele verzi pentru cele conflictuale.

Totuși, rămân provocări deschise. Problemele de calitate a datelor — fluxuri lipsă de la senzori, ocultații ale camerelor și atacuri prin falsificare adversarială — pot degrada performanța modelului. Politicile la nivel de intersecție trebuie armonizate între districte pentru a evita migrarea blocajelor; co-învățarea cu vehiculele conectate promite să atenueze această problemă prin furnizarea de informații mai bogate despre cererea din amonte. Problemele de confidențialitate și securitate cibernetică au determinat orașele să adopte arhitecturi de învățare federată, unde videoclipurile brute nu părăsesc niciodată nodurile locale de margine. Barierele economice, în special în municipalitățile cu venituri mici, persistă: recondiționările hardware pot depăși 2.500 USD pe cap de semafor, deși modelele de tip controller-as-a-service bazate pe cloud încep să reducă costurile de intrare.