Sztuczna inteligencja w optymalizacji sygnalizacji drogowej
Sztuczna inteligencja dynamicznie dostosowuje czas sygnalizacji świetlnej w czasie rzeczywistym w oparciu o rzeczywiste zapotrzebowanie pojazdów i pieszych, zamiast polegać na stałych harmonogramach.
Przegląd
The payoff is shorter waits, less stop-and-go, lower emissions, and smoother urban travel.
Głębokie nurkowanie
Tradycyjne sygnalizacje świetlne działają według ustalonych planów czasowych ustalonych z wieloletnim wyprzedzeniem, które słabo odpowiadają nieprzewidywalnemu ruchowi w świecie rzeczywistym. Systemy oparte na sztucznej inteligencji wykorzystują czujniki, kamery i dane dotyczące podłączonych pojazdów do wykrywania aktualnego zapotrzebowania na każdym skrzyżowaniu i odpowiedniego dostosowywania czasów zielonych. Wiele systemów wykorzystuje uczenie się przez wzmacnianie, w ramach którego agent uczy się zasad kontroli sygnału metodą prób i błędów w symulacji, co jest nagradzane za zmniejszenie całkowitego opóźnienia pojazdu. Koordynacja wielu skrzyżowań jest trudniejsza, ponieważ zmiana jednego światła powoduje falowanie na sąsiednich, więc podejście wieloagentowe umożliwia współpracę sygnałów wzdłuż korytarzy. W ramach projektu Green Light firmy Google, realizowanego w miastach takich jak Seattle i Manchester, wykorzystano sztuczną inteligencję do zalecenia zmian w harmonogramie, zgłaszając w badaniach pilotażowych znaczące zmniejszenie liczby przystanków i emisji na skrzyżowaniach.
Wgląd techniczny
Powszechnie stosowane podejście określa każde skrzyżowanie jako czynnik uczenia się przez wzmocnienie. Stan koduje długość kolejek, liczbę pojazdów i bieżącą fazę; akcje wybierają, którą fazę sygnału aktywować lub przedłużyć; a nagroda karze za skumulowane opóźnienia lub długość kolejki. Agent szkoli się w mikrosymulatorach takich jak SUMO, ucząc się zasad, które dostosowują się do zmieniającego się popytu. Koordynacja wieloagentowa udostępnia informacje pomiędzy sąsiednimi skrzyżowaniami, dzięki czemu zielone fale tworzą się wzdłuż ruchliwych korytarzy, zamiast optymalizować każde światło z osobna.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w optymalizacji sygnalizacji drogowej
W miarę rozprzestrzeniania się pojazdów autonomicznych, sygnały będą negocjować bezpośrednio z nadjeżdżającymi samochodami, potencjalnie umożliwiając w dłuższej perspektywie mniej twardych zatrzymań, a nawet skoordynowane skrzyżowania pozbawione sygnału. Można się spodziewać ściślejszego połączenia priorytetów transportu, wyprzedzania pojazdów awaryjnych, bezpieczeństwa pieszych i rowerzystów oraz optymalizacji w całym mieście. Wykrywanie chroniące prywatność i sztuczna inteligencja brzegowa na lokalnych kontrolerach zmniejszą zależność od łączności w chmurze, dzięki czemu sterowanie adaptacyjne będzie tańsze we wdrażaniu na dużą skalę w mniejszych gminach.
Implementacja w świecie rzeczywistym
W ramach projektu Green Light firmy Google przeanalizowano wzorce jazdy, aby zalecić zmianę ustawień sygnalizacji w miastach, co ograniczy liczbę przystanków na ruchliwych skrzyżowaniach.
Adaptacyjny system Surtrac w Pittsburghu wykorzystywał zdecentralizowane kontrolery AI, aby skrócić czas podróży i przestoje w korytarzach.
Miasta przyznają priorytet sygnałom transportu publicznego, więc sztuczna inteligencja włącza zielone światło, gdy opóźniony autobus zbliża się do skrzyżowania.
Funkcja wywłaszczania pojazdów ratowniczych wykorzystuje sygnały skoordynowane przez sztuczną inteligencję, aby oczyścić drogę dla karetek i wozów strażackich w ruchu ulicznym.
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Traffic Signal Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Następny poradnik
AI w optymalizacji cen i dynamicznych cenach
Często zadawane pytania
What is AI in Traffic Signal Optimization?
Sztuczna inteligencja dynamicznie dostosowuje czas sygnalizacji świetlnej w czasie rzeczywistym w oparciu o rzeczywiste zapotrzebowanie pojazdów i pieszych, zamiast polegać na stałych harmonogramach. Korzyścią są krótsze oczekiwania, mniej postojów, niższa emisja i płynniejsze podróżowanie po miastach.
Jakie jest główne ograniczenie tradycyjnych sygnałów drogowych o stałym czasie?
Stałe plany czasowe są ustalane z wyprzedzeniem i nie dostosowują się do zmiennych warunków ruchu na skrzyżowaniu w czasie rzeczywistym.
Które podejście do uczenia maszynowego jest powszechnie stosowane do uczenia się zasad kontroli sygnałów?
Uczenie się przez wzmacnianie pozwala agentowi uczyć się zasad kontroli metodą prób i błędów, co jest nagradzane za zmniejszenie opóźnień pojazdu.
Za co zazwyczaj karana jest nagroda w przypadku agenta ruchu drogowego uczącego się przez wzmacnianie?
Nagroda zazwyczaj nakłada karę za całkowite opóźnienie lub długość kolejki, zmuszając agenta do utrzymania ruchu.
Dlaczego koordynacja wielu skrzyżowań jest trudniejsza niż optymalizacja jednego?
Sygnały są współzależne, więc zmiana jednego światła powoduje falowanie w dół rzeki, co wymaga koordynacji wielu agentów w przypadku fal zielonych.
Do czego miał służyć projekt Green Light Google?
W projekcie Green Light wykorzystano sztuczną inteligencję do analizy wzorców jazdy i zalecono zmianę synchronizacji sygnałów w celu ograniczenia postojów i emisji.