概述
The payoff is shorter waits, less stop-and-go, lower emissions, and smoother urban travel.
深入探討
傳統的交通號誌是依照提前數年設定的固定定時計畫運行,這與不可預測的現實交通狀況很不相符。基於人工智慧的系統使用感測器、攝影機和連網車輛數據來感知每個十字路口的當前需求,並相應地調整綠燈時間。許多系統都使用強化學習,代理透過模擬中的反覆試驗來學習訊號控制策略,並因減少車輛總延遲而獲得獎勵。協調多個交叉路口更加困難,因為改變一個燈會波及鄰居,因此多代理方法讓信號沿著走廊進行協作。 Google 的綠燈計畫部署在西雅圖和曼徹斯特等城市,使用人工智慧來建議時間調整,並在試點研究中報告了停車和十字路口排放量的顯著減少。
現實世界的實施
Google 的綠燈專案分析了駕駛模式,以建議城市中的號誌重新定時,減少繁忙十字路口的停車。
匹茲堡的 Surtrac 自適應系統使用分散的人工智慧控制器來減少行駛時間和走廊上的空轉。
城市會授予交通號誌優先權,因此當延誤的公車接近十字路口時,人工智慧會延長綠燈。
緊急車輛搶先使用人工智慧協調的信號為救護車和消防車在交通中清理道路。
人工智慧在交通號誌優化的未來
隨著連網和自動駕駛汽車的普及,訊號將直接與接近的汽車協商,從長遠來看,有可能減少硬停車,甚至實現無訊號協調交叉路口。預計交通優先、緊急車輛優先、行人和騎自行車者安全以及全市優化將更加緊密地融合在一起。本地控制器上的隱私保護感測和邊緣人工智慧將減少對雲端連接的依賴,使得自適應控制在較小城市大規模部署的成本更低。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
What is AI in Traffic Signal Optimization?
AI根據實際車輛和行人需求即時動態調整紅綠燈配時,而不是依賴固定時間表。其回報是更短的等待時間、更少的走走停停、更低的排放以及更順暢的城市出行。
傳統定時交通號誌的主要限制是什麼?
固定計時計畫是提前設定的,無法適應十字路口不斷變化的即時交通狀況。
哪一種機器學習方法通常用於學習訊號控制策略?
強化學習讓智能體透過反覆試驗來學習控制策略,並因減少車輛延誤而獲得獎勵。
在強化學習流量代理中,獎勵通常會懲罰什麼?
獎勵通常會懲罰總延遲或隊列長度,從而促使代理商保持交通暢通。
為什麼協調多個交叉口比優化一個交叉口更難?
訊號是相互依賴的,因此一盞燈的變化會波及下游,需要多智能體協調才能發出綠波。
Google 的綠燈計畫的目的是什麼?
綠燈計畫使用人工智慧來分析駕駛模式並建議重新調整號誌時間,以減少停車和排放。