绿灯自由背后的逻辑

“绿灯自由”再一次提高了交通行业对信控的关注度，背后的AI信控成为了热议的话题。

众所周知，信控领域处于城市管理的末端，真正开始被受到重视是源于2016年的“两化”文件。与此同时，吸引了大批互联网科技企业以信号优化为切入点加入智能交通领域。

在公安部交通管理局发布的《公安交通管理科技发展规划（2021-2023年）》中，也将推进城市交通精细组织，因地制宜科学优化信号配时、交通组织方案纳入重要发展内容，同时将人工智能和大数据列为两大主要技术方向。

安全和效率是城市交通管理的重要目标，信号控制则是提升通行效率的重要手段。另外，国家在建设“双智”示范城市中，强调老百姓出行的获得感、幸福感，而信号灯最容易令老百姓产生出行获得感，具体包括车行速度提醒、信号绿波、信号灯倒计时等。

无论从城市交通管理角度，还是从车路协同的发展来看，信号控制都是重要的一环。随着交通管理部门的重视程度加强及交通管理需求的变化，信号控制领域相关技术也在不断升级迭代。

精细化交通信号控制离不开交通流检测数据，从而也推动了检测技术的升级。

从交通流数据采集方式与应用角度，对过去几十年的交通信号优化工作进行分类，我们可以将其分为三个发展阶段：

第一阶段，交通流数据以人工调查方式为主。70年代末80年代初，道路上自行车和行人出行比例还比较高，机动车车流量相对比较少，交通拥堵压力也比较低，交通信号的精细化优化要求不高，对交通流数据的类型、精准度要求也不多、不高。因此，在我国信号优化发展的早期阶段，以人工路口数车的方式进行流量调查是主流的工作方法。

第二阶段，是基于单一固定点采集方式，通过线圈、地磁、视频、雷达等固定检测器获取数据。随着机动车数量的日益增长，道路开始变得拥堵，人工方式进行流量调查就显得力量有限，因此，开始出现路口架设摄像机，现场录制车流量视频，拿回来再用人工的方式，对照屏幕数车，进行数据统计。这种流量采集方式也有精度不高，效率低，数据不准确等问题。再后来，一些经济较为发达的城市就开始在路口安装固定点交通检测器来获取交通流数据。目前大多数城市的交通流量采集，信号优化的数据来源仍然主要采用这种方法。

第三阶段，随着经济的发展，各城市在智能交通上的投入加大，路口的流量采集设备数量也开始增加，如何利用好这些多类型的数据变成一个比较突出的问题。AI技术的出现，对复杂感知数据结构化、多元感知数据进行深度融合、交通流主动预测、控制优化算法都有实质性的帮助。

例如，保定利用百度智能信控系统融合视频、地磁、雷达、互联网等多源交通感知数据，再基于AI算法实时分析当前交通状况，进而对路口信号灯进行自动优化调整。

这种技术适用于一些城市基础设施建设较为完备、科技水平较高，同时具有以数据驱动的复杂精细化模式需求的城市。

北京亦庄、广州黄埔、重庆永川等城市均已上线AI智能信控系统。

在百度智能交通首席科学家聂小建看来，做好智能信控涉及的链条比较长，需要考虑的关键环节很多，具体包括交通感知、综合理解、问题诊断、推演预测、策略推荐、方案优化、信号控制和效果评价，每一个环节都有AI的用武之地，助力问题的解决。

外界过度的渲染，让业内部分人对AI在智能交通领域的应用产生一些误解：认为必须是一种超级的AI方法实现端到端的问题解决。实际上，AI在智能交通中的应用主要还是结合具体环节、考虑具体数学问题。不同的环节可能需要不同的AI方法，多种AI方法的应用在问题解决的链条里，在不同环节发挥不同作用。

那么在交通信号优化场景中，AI技术到底有怎样的应用。

聂小建向赛文交通网介绍，首先，在感知层面，将采集数据（视频）转化成结构化的、信控所需要的数据，对数据质量进行把控、剔除异常数据、设备故障检测方面都会应用到AI技术。

感知是AI技术应用在信控方面最为成熟的一个环节。

第二，在数据挖掘方面，利用AI技术可以实现轨迹点和地图的匹配， 路径相关性分析，拥堵点的关联分析，交通数据的聚类分析，交通短时预测，OD推算，其中很多用到无监督学习AI技术。

也有具体的工程问题依赖AI解决。在信号优化工作中，经常会面临路口数据缺失的难题，这时候可以利用图网络（GNN）技术补全数据，根据自身历史数据、上下游检测设备的关联关系导出一个更加符合实际情况的数据，辅助路口的信号优化。

第三，在优化层面，过去依赖于专家经验比较多，基于实际交通情况进行信控参数的设定。百度主要通过数据驱动的方式实现交通子区的划分、最优控制策略的推荐、核心信控参数的优化；基于种群进化学习思想进化最优策略，引入了神经网络决策输出最优参数，实现数据驱动的参数调优。

为了加快进化速度，百度也系统性地构建了交通仿真模型，主要用来研究控制策略的进化。

总体来看，在道路交通信号优化的场景中，从交通感知、综合理解再到问题诊断、状态预测推演、优化，以及效果评价，AI技术都可以助力最终优化的方案，控制层面仍然由信号机执行。

“AI有助于解决交叉口全息感知、数字孪生、状态估计和预测、区域信控方案优化等方面的痛点。”浙江大学智能交通研究所所长陈喜群同样列举了AI在信控领域的一些价值。

例如，在交叉口全息感知方面，由于地磁、视频、雷达，包括雷视一体机的轨迹是不完备的，浮动车也是不完备信息，车路协同数据也是不完备的，因此以上多源异构数据都涉及到轨迹重构，AI算法可以帮助解决此类问题。

北方工业大学城市道路交通智能控制技术北京市重点实验室研究员张福生表示， AI在状态感知、预测、辅助决策等等领域，已经有了广泛的应用。一个最典型的应用场景就是视频交通检测，通过样本的训练可以精确检测不同交通要素、交通流状态等等信息，为交通控制提供了丰富的数据支撑。AI如果真的能在信控领域得到广泛应用，可以极大降低交通工程师的工作强度，提升交通效率，改善交通安全，这绝对是好事。

但是目前也要认识到人工智能在目前阶段的局限性，尤其是在可解释性上的限制，包括由于数据样本普遍存在局限和偏见造成的相关性及因果关系的差异。

另外，信号控制很多时候是多目标的系统，同样的路口不同的控制方法会有不同的控制结果，不同的人也会对控制结果有不同的评价，加之影响控制结果的因素既有空间的、也有时间的、还有环境的、更有用路人心理感受的。其实很难抽象得到确定的评价标准，这都给人工智能的应用带来挑战。这是一项具有高门槛的技术，因此AI在交通领域的应用也是具有高门槛的。行业应理性客观的看待AI技术应用。

行业内开展AI信号优化业务的既有以中控信息、银江技术等为代表的传统交通企业，也有以海康为代表的产品商，还有以百度为代表的互联网科技企业，百度将交通信号优化作为其智慧交管业务中的核心场景进行投入。

对于百度来说，“ALL in AI”的战略就注定了要打造AI在各个场景的应用。在百度智能交通战略中，智慧交管是核心业务之一，围绕交管“缓堵保畅”的目标，必然离不开信号控制。更为重要的是，车路协同规模化发展必然要上路，让车读懂信号灯数据，路口数据同时反馈给车，让车更加聪明、智能化，AI也是关键的驱动力。

百度AI智能信控的核心是数据驱动，系统主要基于视觉感知（AI 视频感知）、地图大数据、车路协同等技术，对实时视频流、互联网轨迹等多源数据进行感知和融合处理，实现城市道路交通状态全息精确感知和分析研判，实时精细化调控信号配时，点线面全域智能信控优化，形成感知、分析、优化、评价的全流程闭环，助力缓解城市交通拥堵。

例如，在百度参与建设的株洲“人工智能+智慧交通”一期项目中，建设了包含一个中心（智慧交管大数据中心）、两个平台（智慧交通综合管理平台、人工智能交通信号控制平台）等相关内容。

其中人工智能信控平台主要探索区域信控优化和三级信控保障两个业务场景。通过对区域交通进行宏、中、微观分析，百度智能交通引擎自动将区域内各路口划分为单点、协调、拥堵子区，实现区域内子区策略的动态调整及方案下发。进而达到了区域整体优化策略及各路口优化方案无限贴近区域交通流变化、适应全工况场景下的区域信号优化效果。

株洲市公安局交通警察支队科技所副所长罗湘彬曾在公开演讲中表示，信控系统上线稳定运行，路口的车均延误下降7.8%，干线的拥堵指数下降13.4%，整个区域内区域拥堵指数下降9.7%，区域的平均速度上升10.6%。

在百度参与建设的重庆永川智能交通建设项目中，AI的参与在为交警减负，交通信号控制从手动指挥转变到AI调控。永川交警表示，AI智能信控系统会根据车流量周期性的进行信号灯配时调优，3分钟以内更新一次策略，它是可以进行自主学习的，根据永川的路况一直在更新策略。

AI，正在改变着交通出行。

尽管一些强大的优化算法由于现实条件的约束还没有更好的落地，但技术应用并不能一蹴而就。在实际应用过程中，我们已经看到了AI的部分价值，期待行业在行业共同的努力推动下，AI可以发挥其更好的效果。