Nie budować, lecz lepiej zarządzać. Jak AI zmienia ruch drogowy

Korki to jeden z najbardziej widocznych problemów współczesnych miast. Choć intuicyjnie wydaje się, że sposobem na ich rozwiązanie jest budowa kolejnych dróg, rzeczywistość bywa bardziej skomplikowana.

Czasem wystarczy lepiej zarządzać istniejącą infrastrukturą. Pomóc może w tym sztuczna inteligencja, która analizuje ruch drogowy i pozwala dostosowywać sygnalizację świetlną do zmieniających się warunków. O tym, jak takie rozwiązania działają, jakie mają ograniczenia i dlaczego ich wdrażanie wymaga ostrożności, opowiada Paweł Gora, badacz AI i specjalista w dziedzinie inteligentnych systemów transportowych.

Więcej dróg nie zawsze oznacza mniej korków

Podstawowy mechanizm powstawania korków można wyjaśnić za pomocą zależności między popytem a podażą. Gdy liczba pojazdów przekracza przepustowość drogi, ruch zaczyna zwalniać, a czas przejazdu i zużycie paliwa rosną.

Przyczyną może być zbyt mała przepustowość infrastruktury, remont, wypadek albo źle zsynchronizowana sygnalizacja świetlna. Zdarza się również, że prognozy dotyczące przyszłego natężenia ruchu okazują się nietrafione.

Rozwiązanie problemu nie musi jednak polegać na budowie kolejnych jezdni. Jak wyjaśnia Gora, rozbudowa sieci drogowej może czasem przynieść skutek odwrotny do zamierzonego. Kierowcy wybierają nowe połączenia, zmieniają trasy i doprowadzają do przeciążenia odcinków, które wcześniej działały sprawniej.

To zjawisko znane jest jako paradoks Braessa. Opisuje sytuację, w której dodanie nowej drogi do sieci może zwiększyć łączny czas podróży, ponieważ indywidualne decyzje kierowców prowadzą do niekorzystnego rozkładu ruchu. Paradoks ten został opisany w literaturze naukowej, a jego mechanizm pokazuje, że optymalizacja pojedynczych tras nie zawsze oznacza poprawę działania całego systemu.

Podobne wnioski płyną z doświadczeń Seulu, gdzie w ramach odbudowy miejskiej przestrzeni zlikwidowano estakadę nad potokiem Cheonggyecheon. Początkowe obawy o wzrost korków nie przełożyły się na trwałe pogorszenie sytuacji w skali miasta.

Badania wykazały między innymi wzrost liczby pasażerów metra i spadek liczby podróży samochodem. Okazało się, że mieszkańcy potrafią zmieniać swoje zachowania w odpowiedzi na przebudowę infrastruktury.

Sztuczna inteligencja zamiast kolejnych świateł

Jednym ze sposobów na usprawnienie ruchu jest ograniczanie liczby samochodów na drogach. Można do tego zachęcać, rozwijając transport publiczny i infrastrukturę rowerową, a także wspierając rozwiązania takie jak carpooling, czyli wspólne przejazdy kilku osób jednym samochodem. Algorytmy AI mogą pomagać w łączeniu pasażerów podróżujących w podobnych kierunkach, co pozwala zmniejszyć liczbę pojazdów bez ograniczania liczby przewożonych osób.

Takie rozwiązania mają jednak swoje ograniczenia. Wspólny przejazd może wymagać dodatkowych postojów i wydłużać podróż, a samochód pozostaje niezbędny w wielu sytuacjach. Dlatego Gora od lat koncentruje się na innej metodzie: optymalizacji sterowania sygnalizacją świetlną.

„To jest właśnie taka metoda najmniej inwazyjna”, wyjaśnia badacz. Zamiast zmuszać kierowców do zmiany przyzwyczajeń, można dostosowywać działanie infrastruktury do aktualnej sytuacji na drogach.

W tradycyjnych systemach sygnalizacji długość cykli świateł ustala się na podstawie określonych parametrów i założeń dotyczących ruchu. Tymczasem natężenie ruchu zmienia się w ciągu dnia, a dodatkowe utrudnienia mogą pojawić się nagle.

System wykorzystujący AI może analizować aktualne dane i dobierać ustawienia sygnalizacji tak, aby ograniczać niepotrzebne oczekiwanie na czerwonym świetle i poprawiać przepływ pojazdów w całej sieci.

Nie jest to wyłącznie koncepcja teoretyczna. Paweł Gora rozwijał narzędzia do symulacji ruchu drogowego i prowadził badania nad wykorzystaniem uczenia maszynowego do optymalizacji sygnalizacji.

W nowszych eksperymentach jego zespół bada również uczenie ze wzmocnieniem, w którym algorytmy uczą się podejmować decyzje na podstawie skutków swoich działań. Testy przeprowadzone w symulowanych scenariuszach ruchu w Malezji przyniosły obiecujące wyniki, między innymi w porównaniu z klasycznym algorytmem Webstera, wykorzystywanym w inżynierii ruchu.

Cyfrowy bliźniak miasta

Aby sprawdzić, czy dany algorytm rzeczywiście usprawnia ruch, naukowcy potrzebują jednak wiarygodnego modelu sieci drogowej. Pomagają w tym symulatory, które odwzorowują zachowanie poszczególnych pojazdów i pozwalają testować różne warianty organizacji ruchu bez ingerowania w rzeczywiste ulice.

W badaniach prowadzonych we współpracy z naukowcami z Malezji wykorzystywano dane zbierane przez kamery na skrzyżowaniach. Systemy analizy obrazu pozwalały rozpoznawać pojazdy i odtwarzać ich przemieszczanie się przez badany obszar. Na tej podstawie można było budować modele ruchu, a następnie sprawdzać w środowisku wirtualnym, jak zadziałają różne strategie sterowania.

Bezpieczeństwo ważniejsze niż płynność

Optymalizacja ruchu drogowego nie może sprowadzać się do skrócenia czasu przejazdu samochodów. Władze miast muszą brać pod uwagę również bezpieczeństwo pieszych, rowerzystów i pozostałych uczestników ruchu.

Jak podkreśla Gora, rozwiązanie poprawiające płynność może jednocześnie zwiększać ryzyko wypadków. Dlatego skuteczny system powinien uwzględniać kilka celów, a nie tylko maksymalizować przepustowość dróg.

Osobnym zagadnieniem jest prywatność. Wykorzystanie kamer i rozpoznawania tablic rejestracyjnych może dostarczyć szczegółowych informacji o ruchu, ale stwarza również ryzyko nadmiernego śledzenia uczestników transportu. Dane pozwalające odtworzyć trasy konkretnych pojazdów wymagają szczególnej uwagi w zakresie ochrony prywatności.

W praktyce można projektować systemy tak, aby do optymalizacji sygnalizacji wykorzystywać przede wszystkim zagregowane informacje o liczbie pojazdów, długości kolejek czy czasie oczekiwania. Nie zawsze potrzebna jest identyfikacja każdego samochodu. Dobór danych powinien zależeć od konkretnego zadania, a korzyści z ich gromadzenia muszą być zestawiane z kosztami i ryzykiem.

Polskie miasta jako laboratoria nowych technologii

W Polsce od lat rozwijane są inteligentne systemy transportowe (ITS), wykorzystujące dane z czujników, pętli indukcyjnych, radarów, kamer czy systemów nawigacyjnych. Nie wszystkie korzystają z AI, ale mogą dostarczać informacji niezbędnych do zaawansowanej analizy ruchu.

Wdrożenie nowego rozwiązania wymaga jednak nie tylko odpowiedniej technologii, lecz także gotowości miasta do poniesienia ryzyka. W dużej metropolii nieudany eksperyment może wpłynąć na funkcjonowanie znacznej części sieci drogowej i wywołać poważne konsekwencje społeczne. Dlatego rozsądne jest rozpoczynanie od mniejszych wdrożeń, stopniowego testowania i oceny rezultatów.

Gora wskazuje, że mniejsze ośrodki mogą pełnić rolę poligonów doświadczalnych dla innowacji. Wśród przykładów pojawiają się Chełm, gdzie rozwijano inicjatywy związane z ideą Smart City, Jaworzno, które interesowało się testowaniem rozwiązań dotyczących pojazdów autonomicznych, oraz Rzeszów, otwarty na eksperymenty technologiczne.

Taki model wdrażania pozwala dopracować rozwiązania, zanim zostaną zastosowane na większą skalę. Nie oznacza to, że mniejsze miasta powinny ponosić nieproporcjonalnie duże ryzyko. Testy również wymagają odpowiednich zabezpieczeń, jasno określonych celów i kontroli skutków.

Czy kiedyś znikną światła na skrzyżowaniach?

Dalszy rozwój transportu może przynieść zmiany wykraczające poza inteligentne sterowanie sygnalizacją. Pojazdy autonomiczne, które będą komunikować się między sobą i z infrastrukturą drogową, mogłyby koordynować przejazd przez skrzyżowania na podstawie wymienianych informacji. W takim scenariuszu tradycyjne sygnalizatory mogłyby stracić część swojej obecnej roli.

To jednak perspektywa odległa i zależna od wielu czynników: stopnia rozpowszechnienia pojazdów autonomicznych, niezawodności komunikacji, standardów technicznych i wymogów bezpieczeństwa.

Bardziej bezpośrednią szansą pozostaje lepsze wykorzystanie infrastruktury, którą miasta już mają. Sztuczna inteligencja może bowiem już teraz pomóc podejmować trafniejsze decyzje, szybciej reagować na zmieniające się warunki i ograniczać straty wynikające z nieefektywnego zarządzania ruchem.