frankfurt
AutoTronics2019
 

從參數調校到智慧交控:台灣交通號誌進化仍有漫漫長路

台灣交通號誌管控方式,現仍依賴參數調校計算,尚未導入AI。法新社

交通行為有其重複性與規律,不同運具、不同時段、不同地點所產生的大量數據透過機器學習,主管機關可以在掌握交通模型之後,根據不同情境做出預測、管理,此為AI跨入交通產業的基礎。然而不同交通管理應用,對AI的導入程度各自不同,多個縣市交通主管機關皆坦言,現階段交控的時相長度,仍是以統計與參數調校為計算方式,尚未以AI作為交控決策依據。

交控的AI應用流程依序為多元資料蒐集、融合、建模、將即時道路資訊交由AI 決策、並透過CMS推播或是號誌向用路人傳遞資訊。首要的困難點,主要為多變的道路環境。新竹市交通處科長林立偉表示,未來若要將AI導入交控系統,須根據不同道路情境如事故、壅塞、天氣狀態等建立情境,進行複雜的演算與學習,這需要經驗豐富的交通技師與交控人員與AI業者的共識與合作。

在資料的蒐集上,會綜合多個來源的數據如影像、雷達、信令資料、eTag、或是透過google取得的旅行時間等,其中對AI最為依賴的即為影像辨識。舉凡車種識別、車流數、轉向數、行人數量等辨識,都會成為交控參考的數據之一。

而更進一步,號誌是否應該依據當下路況、車流調整?調整的分寸又該如何拿捏?不同立場有不同的應用觀點。對公部門來說,現有的號誌時制是根據多年經驗,考量路網結構、行人等編製而成,因此最大的應用彈性為在固定的周期內,調整不同時相的時間,如在雷達偵測到轉向車道的車輛數多於直行車道時,控制系統會縮短直行時相,延長轉向時相長度,這在觀音山交流道、八里交流道、五股交流道、鳳山交流道等地多有應用。

而技術研發單位,如工研院、AI業者在特定路口或是路段將號誌優化的案例則是遍地開花。結合自駕車的重要技術─DSRC,為車 / 車、車 / 路之間的雙向通訊技術,工研院資通所將其用於創造公共運具的續進條件,當裝於基礎建設的路側設備(RSU)接收到裝於公共運具的車載元件(OBU)發出的訊號,即變動時相,讓公共運具通過,這個技術現在應用於新竹縣的縣政二路上,在竹北的高鐵接駁車在即將通過路口時,紅路燈便變換時相讓接駁車可以優先通過,加速公共運具的運送速度,節省行車時間,以拉高民眾的搭乘意願。

然而,改變原有時相以提高公共運具行車水準,極有可能破壞既有的號誌連鎖,對此,工研院資通所車載資通訊與控制系統組組長蔣村杰表示,在車輛通過之後,後續的時相該如何分配以補償另一方向車道,即需要AI的應用。

更多關鍵字報導: 智慧交通 人工智慧