概述
The payoff is shorter waits, less stop-and-go, lower emissions, and smoother urban travel.
深入探讨
传统的交通信号灯按照提前数年设定的固定定时计划运行，这与不可预测的现实交通状况很不相符。基于人工智能的系统使用传感器、摄像头和联网车辆数据来感知每个十字路口的当前需求，并相应地调整绿灯时间。许多系统都使用强化学习，代理通过模拟中的反复试验来学习信号控制策略，并因减少车辆总延迟而获得奖励。协调多个交叉路口更加困难，因为改变一个灯会波及邻居，因此多代理方法让信号沿着走廊进行协作。 Google 的绿灯项目部署在西雅图和曼彻斯特等城市，使用人工智能来建议时间调整，并在试点研究中报告了停车和十字路口排放量的显着减少。
现实世界的实施
Google 的绿灯项目分析了驾驶模式，以建议城市中的信号重新定时，减少繁忙十字路口的停车。
匹兹堡的 Surtrac 自适应系统使用分散的人工智能控制器来减少行驶时间和走廊上的空转。
城市会授予交通信号优先权，因此当延误的公交车接近十字路口时，人工智能会延长绿灯。
紧急车辆抢先使用人工智能协调的信号为救护车和消防车在交通中清理道路。
人工智能在交通信号优化中的未来
随着联网和自动驾驶汽车的普及，信号将直接与接近的汽车协商，从长远来看，有可能减少硬停车，甚至实现无信号协调交叉路口。预计交通优先、紧急车辆优先、行人和骑自行车者安全以及全市优化将更加紧密地融合在一起。本地控制器上的隐私保护传感和边缘人工智能将减少对云连接的依赖，使得自适应控制在较小城市大规模部署的成本更低。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
不断探索
常见问题
What is AI in Traffic Signal Optimization?
AI根据实际车辆和行人需求实时动态调整红绿灯配时，而不是依赖固定时间表。其回报是更短的等待时间、更少的走走停停、更低的排放以及更顺畅的城市出行。
传统定时交通信号灯的主要局限性是什么？
固定计时计划是提前设定的，无法适应十字路口不断变化的实时交通状况。
哪种机器学习方法通常用于学习信号控制策略？
强化学习让智能体通过反复试验来学习控制策略，并因减少车辆延误而获得奖励。
在强化学习流量代理中，奖励通常会惩罚什么？
奖励通常会惩罚总延迟或队列长度，从而促使代理保持交通畅通。
为什么协调多个交叉口比优化一个交叉口更难？
信号是相互依赖的，因此一盏灯的变化会波及下游，需要多智能体协调才能发出绿波。
Google 的绿灯计划的目的是什么？
绿灯计划使用人工智能来分析驾驶模式并建议重新调整信号时间，以减少停车和排放。