有效纾解塞车乱象 智能交通管理有一套

透过各种传感技术蒐集交通信息已成为智能交通管理的一环。wikimedia

每逢连续假日，全台交通干道都会爆发塞车潮，如今年的大年初三，国道五号就塞了一整天。高速公路局坪林行控中心发现，南下到宜兰旅游的车潮，早上6到7时及7到8时，分别为2,700万及2,500辆次，都已超出雪山隧道每小时最大车辆容量2,000到2,200辆次。

像这种车流量突然增加造成的塞车，固然难以避免，但相关的管制措施如红绿灯、匝道管制灯号的秒数无法实时修正，也是让塞车无法有效纾解的原因之一，如何结合深度学习、影像侦测及自动驾驶等信息科技，让交通监控系统变得更有智能，已成为智能交通解决方案的重要显学。

智能影像侦测帮助路况处理

应用各种传感技术来改善交通，早已行之有年。如公路总局为配合高速公路部分易壅塞路段，规划替代道路，早已在省道公路建置各种路侧设施，包括车辆侦测器(VD)、闭路式电视摄影机(CCTV)、信息可变标志(CMS)、气候侦测器、自动车牌识别(AVI)、影像事件侦测系统(IID)等，并且在所属的养护工程处成立交控中心，负责路况信息的蒐集、发布、反应。

公路总局指出，省道公路VD的布建距离平约达5？10公里，且仅能收集「定点」的行车数量及行驶速率，无法提供更完整的「线段」信息，过去也曾利用公路客运上的GPS所回传的信息，但由于客运有班次及路线的限制，还是无法达到全面性的信息收集，未来希望能透过e-Tag Reader装置，提供更全方位的交通信息。

另一个可能造成塞车的原因，就是交通事故，尤其是隧道里面的事故，透过智能侦测技术，在第一时间掌握事故现场的状况，才能实时做出最适切的处理方式，如雪山隧道的「影像事件侦测系统」(IID)，可以侦测6种路况，包括车辆停等、散落物、行人、车辆逆向行驶、壅塞和烟雾，透过影像软件比对，所有事件最慢1分钟内就可侦测出来并提出警告，而塞车更可在10秒钟侦测出来，缩短应变处置时间。

如果改成人工作业，控制室工作人员平常要监看200多个监视器画面，电视墙一次可以秀出8个画面，以轮跳显示，每次画面停5？10秒，全部画面都看一遍，不但要花很长时间，不管是控制室人工通报或用路人主动打电话通报，平均都要3？5分钟，而IID却可缩短至2、3分钟。

但除了硬件设备的建制外，后端的监控、应用更是重要。目前应用在交通管理的影像监控技术，可将影像输入至电脑中进行影像分析判定，针对入侵者、移动物体、火焰、烟雾等进行触发设定，来达到预警的效果。

其次是影像位移侦测技术，只要侦测到监视器画面中有异常的物体位移或活动时，就会触发相关设定，比以往只有监看功能的录影系统更具实时性。

最后则是交通车辆侦测技术，目前已被广泛应用于国内的道路监控系统与停车场监控系统。监视器取得车辆行驶的影像后，再透过影像分析系统运算，将车流量、车速或违规车辆等状况转换为文字信息，业者就能够透过广播系统及用路人取得实时路况信息。

机器学习应用自驾领域

若要让影像侦测技术的效用发挥到极致，借重人工智能(AI)发展机器学习(machine learning)，已成为智能交通应用的重要领域。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，主要是设计和分析一些让电脑可以自动「学习」的演算法，并从数据中自动分析寻找规律，对未知数据进行预测。

机器学习的应用十分广泛，智能交通就是非常热门的领域之一。如在交通号志调控方面，可藉由计算车辆、行人数，适时调整路口的红绿灯秒数，以维持交通顺畅。

在车流量统计及车辆追踪方面，结合车牌识别或特徵比对，可避免重覆计算车辆数，记录道路的车流量，并追踪特定车牌的行踪；在交通指挥系统方面，则可藉由计算车辆及行人数，并判断路口状况、人车的优先顺序，搭配灯号、文字警示，加上紧急情况的应对能力，可以协助甚至取代交通指挥。

机器学习在交通领域的最热门应用，莫过于自驾车技术。只要在车上安装电脑影像侦测与识别系统，然后在车辆行驶中连续拍摄影像，再透过影像处理、机器视觉、及图形识别等技术侦测、分析路面、路边、其他行进中车辆、行人、及驾驶人本身等静态及动态信息，藉由机器学习及影像识别技术，即可提供道路状况、行车状况、驾驶精神状态、驾驶行为、行人、及外物动向等信息给驾驶人，提醒驾驶人注意，以提高行车安全。

自驾车在纾解塞车乱象，也会有一定程度的帮助。据 Popular mechanics报导，根据数学专家Benjamin Seibold和他的团队在2015年所做的自驾汽车对减轻交通压力的研究，只要有2%的自动驾驶汽车，就能减少50%车流走走停停的情况。

Seibold的研究发现，自驾车因为能够感知前方路况的变化，可以透过调节自身的行驶速度，在车流比较密的时候，会保留一定的车距，减少突然刹车的次数，进而减少后方车辆加速不同步的次数，影响整排车队的行驶状况。

但光靠自驾车不见得就能对交通壅塞发挥缓解作用，其他需要配合的项目，还包括城市规划、民众素质、公共交通体系等，更重要的是，自驾车的数量必须达到一定的上路比例，才能透过让每辆车保持均速或车距稳定，真正纾解塞车乱象。

透过机器学习提升识别效果

要将影像识别技术用于智能交通应用，仍可能受到天候及环境因素的影响，而且道路环境设定复杂，除了高速及快速公路外，市区平面道路、巷弄甚至是乡间小路，也都必须要能维持良好的识别效果，才能有效达到智能监控的目的。

想要有效提升识别效果，机器学习更是不可或缺的技术，唯有将训练的流程写成自动化程序，如在读入影片时汇出所有判断出的车辆，以人工断定是否正确，再把这些侦测出的图片置入正？负样本自动训练，长久累积之后，才能够提高平均正确率，且熟悉该处道路环境的车辆行驶状况。

虽然训练会花不少时间，但一开始只要给予少量样本，在检测影片的同时增加样本数再训练，便能提高对于不同环境的适应度，更符合机器「学习」的目标。

若要改善训练速度，还可配合车牌、车轮识别和其他方法，如红外线、重量传感等定位车辆，以达到可以应用的标准。一旦各个方向的车辆识别训练达到一定的平均正确率，就可结合影像输入、车辆及行人识别、路口状况控制、红绿灯和转弯灯号等，进行实时车辆识别，作为得知交通现况的第一步，更是自驾车发展的重要基础，未来还可以应用在各种自动化管理系统上，有效提升智能城市的管理效率。