Kan AI kontrollera trafikljus i hela staden för att minska trafikbelastningen eller väntetiderna ?

Vad innebär det att låta AI ta tyglarna på en stads trafikljus? I grunden handlar det om att använda algoritmer för att ständigt justera signalernas tidpunkter i realtid, i syfte att jämna ut trafikflödet och minska väntetiderna vid korsningar. Löftet är en tystare stad, mindre köbildning och snabbare rutter. Men hur långt har den här idén egentligen kommit från laboratoriet ut på gatorna?

Background

AI-drivna trafikljuskontrollsystem har gått från pilotförsök till fullskaliga utplaceringar i flera stadscentrum. Dessa utplaceringar bygger på direktsändningar från kameror vid korsningar, induktiva slingor inbyggda i vägar och data som laddas upp av uppkopplade fordon för att bedöma nuvarande och kommande trafikförhållanden (Nature, 2023). Maskininlärningsmodeller – ofta tränade på historiska signalloggar och incidentrapporter – förutspår kortsiktig efterfrågan; förstärkningsinlärningsagenter översätter sedan dessa prognoser till beslut om signalfaser som minimerar den totala fordonsfördröjningen och köernas längd.

Tidiga akademiska arbeten går tillbaka till slutet av 2000-talet, då forskare vid Carnegie Mellon och University of Texas demonstrerade adaptiva trafikregulatorer som överträffade fasta tidsplaner med 15–20 % under rusningstid. I mitten av 2010-talet hade system som SCOOT (Split, Cycle and Offset Optimization Technique) och SCATS (Sydney Coordinated Adaptive Traffic System) redan varit i drift i årtionden, men deras slutna optimeringar var typiskt heuristiska snarare än inlärningsbaserade. Lanseringen av Pittsburghs ”SURTRAC”-system 2016 markerade den första storskaliga förstärkningsinlärningsutplaceringen: edge-enheter vid enskilda korsningar lärde sig lokala strategier som senare koordinerades av en central schemaläggare, vilket minskade restiderna på viktiga infartsleder med ungefär 25 % i fälttester.

Efterföljande utplaceringar breddade både omfattning och teknik. I Hangzhou, Kina, använder en AI-motor vid namn ”City Brain” data från 5 000 kameror och justerar 12 000 signaler i hela staden, vilket uppnått en rapporterad minskning av genomsnittlig restid med 10 %. Singapores adaptiva system Green Link Determining (GLIDE), infört 2019, använder identifiering av fordon och uppskattning av kölängder för att i realtid fördela gröntid, vilket resulterat i en 12 % minskning av fördröjningar under trafikstockningar. I USA har Federal Highway Administrations initiativ ”AI for Traffic Management” spritt adaptiva algoritmer i Austin, Pittsburgh och Los Angeles, där tidiga resultat visar att köerna minskar med 18–22 % på instrumenterade sträckor.

Utöver att minska fördröjningar syftar dessa system till att sänka utsläppen genom att reducera stopp-och-gå-cykler. En simuleringsstudie från 2021 publicerad i Transportation Research Part D uppskattade att adaptiv kontroll i hela staden kunde minska CO₂-utsläppen med ungefär 5 % och NOₓ med 7 % i ett mellanstort storstadsnätverk. Prioritering för utryckningsfordon – först testat i Kansas City 2018 – stärker ytterligare säkerhetsmåtten genom att ge ljusprioritet samtidigt som gröna faser bevaras för motstridiga riktningar.

Ändå återstår öppna utmaningar. Problem med datakvalitet – saknade sensordata, kameraocklusioner och motståndsattacker – kan försämra modellernas prestanda. Strategier på korsningsnivå måste harmoniseras mellan distrikt för att undvika trafikstockningar som flyttar sig; saminlärning med uppkopplade fordon lovar att mildra detta genom att tillhandahålla mer detaljerad information om efterfrågan uppströms. Integritets- och cybersäkerhetsproblem har fått städer att anta federerade inlärningsarkitekturer där rå videodata aldrig lämnar lokala edge-noder. Ekonomiska hinder, särskilt i kommuner med låg inkomst, består: hårdvaruuppgraderingar kan överstiga 2 500 USD per signalhuvud, även om molnbaserade tjänstmodeller som ”controller-as-a-service” börjar sänka inträdeskostnaderna.