SEMI
活动+
 

从参数调校到智能交控:台湾交通号志进化仍有漫漫长路

台湾交通号志管控方式,现仍依赖参数调校计算,尚未导入AI。法新社

交通行为有其重复性与规律,不同运具、不同时段、不同地点所产生的大量数据透过机器学习,主管机关可以在掌握交通模型之后,根据不同情境做出预测、管理,此为AI跨入交通产业的基础。然而不同交通管理应用,对AI的导入程度各自不同,多个县市交通主管机关皆坦言,现阶段交控的时相长度,仍是以统计与参数调校为计算方式,尚未以AI作为交控决策依据。

交控的AI应用流程依序为多元资料搜集、融合、建模、将实时道路信息交由AI 决策、并透过CMS推播或是号志向用路人传递信息。首要的困难点,主要为多变的道路环境。新竹市交通处科长林立伟表示,未来若要将AI导入交控系统,须根据不同道路情境如事故、壅塞、天气状态等建立情境,进行复杂的演算与学习,这需要经验丰富的交通技师与交控人员与AI业者的共识与合作。

在资料的搜集上,会综合多个来源的数据如影像、雷达、信令资料、eTag、或是透过google取得的旅行时间等,其中对AI最为依赖的即为影像辨识。举凡车种识别、车流数、转向数、行人数量等辨识,都会成为交控参考的数据之一。

而更进一步,号志是否应该依据当下路况、车流调整?调整的分寸又该如何拿捏?不同立场有不同的应用观点。对公部门来说,现有的号志时制是根据多年经验,考量路网结构、行人等编制而成,因此最大的应用弹性为在固定的周期内,调整不同时相的时间,如在雷达侦测到转向车道的车辆数多于直行车道时,控制系统会缩短直行时相,延长转向时相长度,这在观音山交流道、八里交流道、五股交流道、凤山交流道等地多有应用。

而技术研发单位,如工研院、AI业者在特定路口或是路段将号志优化的案例则是遍地开花。结合自驾车的重要技术─DSRC,为车/车、车/路之间的双向通讯技术,工研院资通所将其用于创造公共运具的续进条件,当装于基础建设的路侧设备(RSU)接收到装于公共运具的车载元件(OBU)发出的讯号,即变动时相,让公共运具通过,这个技术现在应用于新竹县的县政二路上,在竹北的高铁接驳车在即将通过路口时,红路灯便变换时相让接驳车可以优先通过,加速公共运具的运送速度,节省行车时间,以拉高民众的搭乘意愿。

然而,改变原有时相以提高公共运具行车水平,极有可能破坏既有的号志连锁,对此,工研院资通所车载资通讯与控制系统组组长蒋村杰表示,在车辆通过之后,后续的时相该如何分配以补偿另一方向车道,即需要AI的应用。

更多关键字报导: 智能交通 人工智能(AI)