![]()
近年来人工智慧在软硬体技术的突飞猛进与各领域应用的迅速发展，可预期未来运用人工智慧、影像辨识、信息与通信技术(ICT)、车联网(V2X)与5G 等技术，特别有助于缓解因交通信号灯控制不够智慧，导致民眾行的痛点。本计划延续2022 年「人工智能车联网之信号灯控制模式探讨」之研究计划，进行与县市政府合作之现场实验测试，实作测试过程中视需求持续改进人工智能信号灯控制模式，透过强化学习通用环境之探讨与建置、导入多目标强化学习演算法、以及探讨车流模拟测试模型于各种车流场景之泛用性，期望能提升人工智能信号灯控制模式之运作效率。此外，同时纳入高速公路匝道控制之人工智能信号灯控制课题与相关模拟模式发展探讨，优先构建交流道区域信号灯协控车流模拟环境、以及进行分散式AI 信号灯协控模型(多代理人机制)初步发展设计，以期逐步发展我国在人工智慧信号灯控制之实力构建，期能支援我国都市智慧信号灯控制在人工智慧与车联网环境下之车流运作效率及交通安全提升。
本计划在人工智慧强化学习信号灯控制模型优化与精进上，能依据各路口各方向交通变化，即时计算下个阶段的信号灯时制内容；在臺南市的「台86-19 甲」单一路口案例，即时计算下一个时相信号灯绿灯秒数，在臺北市的「中山北路-德行东路」3 个路口干道则以单一代理人控制3个路口，以共同信号灯周期长度与不同时比方式来进行动态调整，以兼顾车流续进。实测结果显示，臺南市及臺北市实验场域依据不同偏好进行决策，且在各个时段中均能找到一组偏好，大部分的绩效比固定时制為佳；另多任务AI 强化学习模式模型即使将不同时段资料一起进行训练，虽然尚无法比分开训练的模型绩效為佳，但整体表现已接近。在交流道区域的匝道控制与平面路口强化学习信号灯协控模型发展部分，遴选桃园杨梅交流道来构建模拟实证场域，导入多信号灯控制代理人机制，并在绩效评估上额外考量驾驶人感受等相关指标，将匝道和平面道路的输入资料集中到一个中央化代理人(agent)的「中央化训练(Centralized Training)」，本计划于2024年将进行强化学习信号灯协控模型的学习训练与实测工作。![]()
本公号新创智能交通技术AI服务，可扫码进入体验（或在后台私信公号）。
![]()
![]()
