聪明的红绿灯,已经学会主动给你开路了

AI资讯1年前 (2023)发布 AI工具箱
239 0 0

一次遇红灯,一路都红灯。

家人们,提到通勤堵车,那种等待的痛苦是否依旧历历在目?

还真别说,这种难受劲儿,每天经历的人可不在少数。

央视最新曝出来的一个极端通勤数据直接上了热搜:

这背后的原因,刨除“住得远”这个硬伤之外,“交通拥堵”明显成为罪魁祸首。

开车通勤的人最怕一路遇红灯“走走停停”,哪怕是打车,很多司机师傅也会为了选择信号灯较少的线路。“躲”红灯变成了一场人和路口的博弈。

难道就没有什么方法,能让咱们出门享受一路“绿”到底的痛快吗?

有的。

而且还是已经有人实现了“绿灯自由”的那种。

一路“绿”到底,通勤耗时“打半折”

不绕弯子,直接上答案。

这个办法就是让红绿灯变得更加聪明

前不久,央视财经在北京的一段道路上做了实际测试。

他们在驾车行驶过程中可谓是出师不利,上来便遇到了一个红灯。

但测试人员却信心满满地说:

并且神奇的事情,在车辆启动前就已经开始上演。

红绿灯上并未设有倒计时的功能,但车内导航的App,却在显示红灯的倒计时:“5、4、3、2、1”……

倒计时完毕,对面的绿灯也随即“如期而至”:

然后在接下来的道路测试中,还真就如测试所说,遇到的所有红绿灯,都一路飘“绿”。

路遇8个绿灯,一路畅通无阻!

这便是让红绿灯变聪明之后的结果了。

但其实测试员们行驶的这段路与普通的道路还有所区别,它们被称为“绿波带”

(“绿波带”是指车辆在特定道路上以规定车速行驶时,红绿灯会视车流的整体情况将绿灯起始时间做调整,保证车辆畅行无阻。)

在绿波带范围内的道路上,会接入各种智能的交通数据传感器。

例如电子警察、卡口、地磁、雷视一体机等等,相当于给这段道路装上了“慧眼”,能准确敏锐地捕捉路面实时情况的数据:

而后这些数据还会实时地被上传到“交通大脑”,通过AI的算法分析,能够快、准、狠地做出判断。

最后,“交通大脑”便可以对红绿灯下达命令:

现在,知道为何能在北京亦庄实现“绿灯自由”了吧?

总结来说,就是给对应道路上“装眼睛”、“换脑袋”、“接神经”,让红绿灯变得更加聪明。

而且这一套“功夫”可不只是在北京独有,在诸如湖南的株洲、长沙,河北保定、重庆永川、广州黄埔等城市均已上线。

值得一提的是,株洲的天元区目前已经有66个路口加持了这种“聪明”的buff,形成了7条主干线的动态绿波带。

株洲市市民李先生在体验完这套“功夫”之后表示:

一组更为精准的数据是——

  • 路口的车均延误下降了22%,优化区域的拥堵指数下降了13.4%,
  • 司机因红绿灯停车次数下降38%,提高通行效率12.7%
  • 整个天元区,区域的平均速度上升了10.6%,拥堵指数下降了9.7%

由此可见,让红绿灯变得更聪明,确实对缓解交通拥堵起到了一定作用。

那么接下来的一个问题便是:

“红绿灯”是怎么变聪明的?

这套能让红绿灯变聪明的“功夫”,正是来自百度的AI智能信控系统。

信控,顾名思义,就是信号控制的意思。

而这套系统与传统信控系统的区别主要包含以下两点:

  • 精准预测
  • 全域调控

首先我们来聊聊这个“精准预测”。

之前在做预测方面的工作,往往采用的都是历史数据来训练。

但这在瞬息万变的路面交通上却是行不通,这数据还真得是实时的那种。

因此,刚才我们提到绿波带上的智能数据采集传感器(路网数据、互联网数据和专网数据),就起到了非常重要的作用。

而且这些数据不仅仅是被采集这么简单,在此之后还要用图神经网络做“大融合”和“查缺补漏”。

也就是说,道路上车辆拥挤程度的演变,需要实时地“尽收眼底”,这就弥补了此前因数据缺失而导致预测不准的情况。

而后这些完备数据会实时地传送到背后的“交通大脑”,通过深度学习等AI手段进行深入智能分析和优化决策。

更具体来说,百度的这套信控系统,可以根据不同时间段的交通情况,自动预测生成适合各路口交通状况的红绿灯配时方案。

在这种精准预测的能力之下,对于像救护车这种特殊车辆的意义和价值就显得格外突出。

当路面上的传感器系统实时监测到一辆救护车,交通大脑便会通过自动化的手段配置红绿灯。

在它没有达到路口之前,就会提前亮绿灯放行:

而对于已然发生事故的路段,百度AI信控系统同样是基于精准预测的能力,通过在后台协助交警等方式,将一部分车流引导到不太拥堵的道路上。

如此一来,就做到了提前防止因交通事故而引发的拥堵进一步蔓延。

但也正如刚才所说,交通这事毕竟“牵一发而动全身”,如果仅仅关注一条路面上的拥堵情况是远远不够的。

这也就是百度AI智能信控系统的第二大亮点——“全域调控”。

更具体一点来说,这套系统之所以能够做到精准预测,正是因为它是基于全局视角来做决策。除了要做到数据的全域采集之外,背后的分析和决策控制也要需要具备全域性。

它不是仅仅对于单点(一个十字路口)或干线(一个路段)进行优化。而能够实现以主车流路径为基础,通过深度学习等方法实现动态子区划分,也就是区域级调控——基于得到的精准预测信息,对城市路网进行动态子区划分,运行不同的控制策略。

针对单点子区(一个路口),系统将传统自适应控制模型与强化学习结合,可以更智能有效地对路口进行控制。

针对协调子区(一条路段),系统会将路段车速、排队清空等动态需求综合考虑进来。如此一来,便可以干线进行动态协调,保证了不同时段主干线反向的绿波带,让用户有一路绿灯通行的良好驾驶体验。

针对拥堵子区(一个区域),技术上采用的是自适应的溢流、截流控制,不仅能够对拥堵区域这一个点进行预警,更是通过上下游联动控制提前消除拥堵风险;以及可以在拥堵发生后对车辆进行快速疏散、消除拥堵。

这个平台的一大特点是通过数据驱动的方式实现策略参数的自动调优。相比以往专家调优的方式,能够实现全天延误下降5%、调优成本下降接近30倍,效率方面可以说是有了明显的提高。

据了解,百度是在业界首个采用这种方式来建模整个区域交通数据的。

这也就不难理解,为什么在这种系统加持之下,不仅能够兼顾全域的整体路况,对于局部亦可做出“快、准、狠”的决策了。

那么在此能力背后,还有一个问题需得探讨:

为什么要做这些?

很明显的一点,随着经济的高速发展,无论是发达国家亦或是发展中国家,都或多或少的在承受着交通拥堵所带来的困扰。

而且这个问题还在呈现持续增加的态势,例如随着我国道路交通量便的急剧增加,机动车平均时速逐年下降、出行时间延长。

随之而来的问题便是更大的燃油消耗以及环境污染,并且还会造成巨大的经济损失。

但不止于社会层面,于个人,交通拥堵等带来的过长通勤时间还会让幸福感大打折扣。

中国科学院学者便曾对4199名居民进行的问卷调查结果显示,通勤时间越长,心理健康水平便会越差。

不仅如此,更有研究指出交通拥堵还会与个人心脏、呼吸道等疾病相挂钩。

而在政策方面,城市交通智能管控也一直是我国智能交通系统的发展重点。

正如百度CEO李彦宏在《智能交通》一书中所述:

这也就不难理解,为何百度会不遗余力地发力于智能交通领域了。

One More Thing

有意思的一点是,以往很多AI的训练都是在模拟系统中完成。

但从百度AI信控系统中来看,我们人类置身于路面交通,似乎也成为了AI训练的一个要素。

虚实结合的味道似乎是越发明显了。

© 版权声明

相关文章

暂无评论

暂无评论...