分享
收藏
点赞
交通控制中的人工智能应用探索
编者按：8月7日，在安徽智能交通大会上，清华大学教授、交通工程与地球空间信息研究所所长李瑞敏作了《交通控制中的人工智能应用探索》主题分享。
信号控制系统历经迭代发展，目前正处在自动化向智能化升级的关键关口，配时僵化、场景适配不足等现实痛点持续倒逼行业技术破局。李瑞敏从交通检测、交通流预测、智能信控、决策支持四大维度梳理了人工智能在信控领域的落地探索，同时拆解了大模型赋能信号优化的三类技术路线，既展现了AI技术的赋能价值，也理性提出了数据基建、人机协同等核心前提，为城市交通信号智能化升级提供了兼具前瞻性与务实性的行业思考。
自城市信号灯开启联网控制至今，信号控制系统的发展已有六十余年。纵观行业演进历程，大致可划分为四个发展阶段。最早起步于20世纪60年代，部分城市开始采用联网方式管控道路交通信号灯；此后一批相对成熟的控制系统相继落地，并在全球范围推广应用，大量市场主体陆续入局。
当前行业正处在由自动化向智能化过渡的关键时期。无论是国内层出不穷的城市交通大脑项目，还是国外行业发展动向，均呈现出多项共性趋势：多源数据深度融合、倡导全方式交通管控，打破以往以机动车为单一核心的管控思路，同时加快人工智能技术落地应用，以上方向代表着当下以及未来信号控制领域的发展主线。
反观国内现状，全国信号控制路口保有量已达数十万规模，行业实际运行情况与公众、管理部门的现实需求之间仍存在三处明显的错配。
第一，信号控制灵活性与出行者期待不相匹配。现阶段大量路口在多数时段仍然沿用定时控制模式，该方式虽能够保障导航倒计时提示的准确度，但难以实现配时跟随车流、人流动态调整。不少出行者提出疑问，当冲突方向已无通行车辆，为何仍需原地等候信号灯，这一问题便是当前矛盾的直观体现。
第二，信号控制科学性与管理者实际需求存在差距。许多路口信号配时时段划分较为粗糙，部分点位仅设置少量时段方案甚至无时段划分，管控策略长期固定。而交通管理工作需要方案灵活适配常态与突发事件，二者之间的矛盾较为突出。
第三，行业管控水平与前沿高科技发展节奏不相匹配。信号控制一直是新技术率先落地应用的领域，但新技术落地后的实际运行效果参差不齐；与此同时，信息通信技术迭代速度飞快，倒逼传统信号控制行业持续跟进各类新兴技术理念。
下文重点围绕人工智能技术在信号控制四大方向当中的应用探索展开论述，四大方向分别为交通检测、交通流预测、智能信号控制、信号控制决策支持。
（1）交通检测
视频检测器的性能正持续迭代升级，高速行业已陆续推出新一代摄像检测设备。信号控制领域很早就开始应用摄像机，从早期黑白摄像机沿用至今，检测能力不断拓展，检测对象由传统机动车延伸至非机动车与行人。行业也开展雷视融合检测的相关测试工作。
多元数据融合是信号控制领域的热点方向，然而在工程落地层面仍存在诸多难题。举例而言，仅在路口四个进口方向布设雷达设备，并不能够完整覆盖路口全部交通场景。路口上下游之间存在车流的时序关联，单一路口范围内布设检测设备，无法捕捉该部分信息。
因此需要多种类型检测器协同工作，是否应当将检测范围向上游路段延伸，成为落地实施阶段需要考量的关键问题。当多台不同检测器共同服务于同一个路口或路段优化工作时，跨设备的数据融合便是必须攻克的核心难题。
其次是单检测器性能优化提升。传统方案一般在路口四个方向分别布设一台检测设备，但如果后台算法高度依赖全部设备传回的数据，一旦单台设备发生故障，便会直接造成算法失效。
由此引出新的优化思路：适当减少路口检测设备布设数量，以此提升系统整体运行可靠性。目前行业正在探索进一步增强视频检测能力，并将激光雷达引入路口感知应用。
（2）交通流预测
短期交通流预测是信号控制的底层基础。自SCOOT系统问世以来，其核心运行机理便是依托检测器采集的数据，借助预测算法预判未来时段交通流状态，以此支撑信号配时方案调整。
早期预测手段较为简单，依靠基础数学公式即可完成推演。随着人工智能技术兴起，行业开始探索将AI技术融入信号控制系统，就连伦敦等地已经逐步弃用的传统SPOT系统，也重新引入人工智能预测算法进行升级。
课题组也围绕交通流预测开展相关研究，基于激光雷达融合数据或者单一路口检测器数据，利用当前周期以及历史周期的车流信息，预判下一周期的交通运行状态，持续提升预测精度，让信号控制方案更好适配车流未来变化趋势。相关研究采用深度学习工具开展建模工作，在模型优化过程当中同时兼顾预测精度与运算速度，保障预测结果能够实时支撑信号控制业务运行，为智能信号控制打下坚实基础。
（3）智能信控
传统信号控制系统主要由交通检测器与交通控制设备两大核心模块构成，行业技术迭代经历了清晰的演进过程。早期行业依托线圈检测设备完成基础信号控制，随后逐步引入神经网络等人工智能技术优化控制逻辑；伴随车联网（V2X）技术发展，行业实现路侧信息与车辆信息的融合应用；现阶段，行业进一步探索将人机交互机制融入信号控制体系，形成全新的技术发展路径。
当前，除传统信号控制企业外，国内外大量互联网企业也纷纷入局，探索多源数据在交通信号优化场景中的落地应用，持续丰富行业技术生态。目前国内外行业均已开展AI算法路口落地测试，应用场景涵盖智能信号配时、动态绿灯分配、特种车辆优先通行管控等。
在检测技术层面，行业在传统雷达检测的基础上，逐步推广激光雷达的路口应用，单台激光雷达可覆盖完整路口检测需求，但检测距离有限，仍是当前技术应用的主要短板。
依托成熟的交通流预测技术，团队研发多款智能控制算法，结合车辆运行数据与实时车流状态，预判道路交通流变化趋势，搭配深度学习人工智能模块，实现路口信号相位的智能调控。近段时间，团队在北京多个路口开展实景测试，搭载自研AI信号控制模型，重点验证系统高峰时段通行优化效果与整体运行评分，取得了阶段性实践成果。
（4）信控决策支持
在大模型应用层面，当前行业主流研究与落地方向可分为三类：其一，依托大语言模型的信息归纳能力，梳理整合交通数据，为信号控制算法提供基础输入参数；其二，通过大模型调度专业计算算法，间接生成信号配时优化方案；其三，以大模型为核心驱动AI智能体，自主完成交通状态感知、控制决策、效果评估等全流程信号控制任务。
团队针对上述三类技术路径均开展了专项对比测试。结合实践验证，行业大模型落地需循序渐进、分步推进。现阶段团队优先研发基于大语言模型的信号控制策略辅助工具，系统包含两大核心模块，分别为传统信号控制策略智能优化模块、大模型知识库动态迭代更新模块，通过持续迭代模型语料与知识库，不断提升策略优化精度。目前该工具已正式上线试运行。
在人工智能技术高速落地的行业背景下，需要理性审视技术应用的价值与本质，避免技术炫技，聚焦实用落地。一套高水平的城市信号控制系统，并非单纯依靠前沿技术堆砌，而是以数据为核心，依托科学的建设流程、完善的软硬件设施、精细化的配时方案、常态化的在线性能评价以及专业化的运维团队，实现系统化、体系化的能力提升。
结合实际出行体验可以发现，尽管行业智能化技术研发迭代迅速，但落地应用效果仍有较大提升空间。以日常出行场景为例，道路限速80公里每小时，导航可精准预判里程与通行时长，车辆行驶过程中因路口信号灯多次停留，最终通行时长仍与预判高度吻合，侧面反映出当前信号智能控制仍存在优化空间，技术落地实效有待深化。
综合研究与测试经验，当前人工智能赋能交通信号控制存在两大关键：
第一，高质量数据是智能信控的基础支撑。信号控制算法高度依赖检测数据，单点检测设备故障，便可能导致整体算法失效，因此筑牢数据基础设施、保障全域高质量数据供给是技术落地的前提。
第二，需构建人机协同的合理分工模式。人工擅长深度分析、顶层规划、复杂场景决策与专业研判，人工智能具备广域数据处理、快速运算的优势，但其能力上限完全依托数据质量。
人工智能是交通信控智能化升级的核心驱动力，但并非一蹴而就的捷径，行业智能化转型仍需长期深耕、稳步迭代。
未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明等材料，与我们联系，我们将及时沟通与处理。
好文章，需要你的鼓励
李瑞敏
特邀作者