KI-basiertes Verkehrsmanagement
Ist KI-gestütztes Verkehrsmanagement auf dem Weg, in Dänemark zum Standard zu werden? Eine wirksame Verkehrssignalsteuerung mit Hilfe von KI und objektbasierten Verkehrsdaten kann dazu beitragen, Staus zu reduzieren, die Verkehrssicherheit zu erhöhen und die Emissionen zu verringern, während gleichzeitig die Klimaziele der Vereinten Nationen durch die Förderung einer nachhaltigen städtischen Mobilität erreicht werden. Die Aussichten sind vielversprechend.
Illustration des Prinzips hinter SWARCO Technology's SMART AI
Das Management von Verkehrssignalanlagen in Dänemark ist immer fortschrittlicher geworden. Heute werden fast ausschließlich „intelligente“ Sensoren verwendet, die in der Lage sind, große Datenmengen zu erzeugen, die direkt zur Steuerung des Signalwechsels in modernen Lichtsignalanlagen verwendet werden können. Künstliche Intelligenz (KI) zur Verarbeitung der großen Menge an Verkehrsdaten wurde in den letzten Jahren bei der Entwicklung von Signalsteuerungsalgorithmen eingesetzt, die den Bedarf an Grünzeit mehr oder weniger „vorhersagen“ und die Wartezeiten innerhalb der Signalgruppen des Systems optimieren können.
DETEKTOR-DATEN
Traditionell erfolgt die Kommunikation zwischen Detektoren und dem Steuergerät eines Signalsystems durch das Senden einfacher Detektorausgänge (ein/aus) an die E/A-Eingänge des Steuergeräts. Anschließend verarbeitet das Steuergerät die verschiedenen Eingänge auf der Grundlage der im Verkehrssignalprogramm festgelegten Logik und Kriterien.
Mit modernen Sensoren, die über eine integrierte Datenverarbeitung verfügen, können die Kriterien für die an das Verkehrssteuergerät gesendeten Eingänge von den Abständen der Haltelinien, den Geschwindigkeiten, der erwarteten Ankunftszeit (ETA) und der Klassifizierung (Größe) der Fahrzeuge abhängig gemacht werden. Indem die Verkehrssteuerung die „Rohdaten“ der Sensoren verarbeiten kann, anstatt dies in jedem einzelnen Sensor zu tun, kann die Steuerung der Kreuzung auf der Gesamtmenge der verfügbaren Daten basieren. Jeder Sensor stellt eine unabhängige Datenquelle dar, wobei der Standort auf der Grundlage der Position des Sensors (lokales Koordinatensystem) bestimmt wird. Die Echtzeitdaten jedes einzelnen Sensors müssen gesammelt, validiert, formatiert und in einer strukturierten Form zusammengestellt werden.
Fehlerhafte Daten müssen entfernt und durch gültige ersetzt werden, „Dubletten“ müssen reduziert werden, usw. Dieser Prozess ist natürlich sehr kompliziert und erfordert tiefgreifende Schnittstellenkenntnisse. Zusätzlich zu den Detektordaten, die das Verkehrssteuerungsgerät über sein zugehöriges Sensorsystem erhält, können auch Daten von den GPS-Systemen der Fahrzeuge erfasst werden. Viele Automobilhersteller senden Daten aus ihren Fahrzeugen an cloudbasierte Systeme.
Dies ist Teil der Entwicklung der modernen Autotechnologie, die es den Herstellern ermöglicht, Daten zu sammeln und zu analysieren, um die Leistung des Fahrzeugs, die Sicherheit und das Nutzererlebnis zu verbessern. Langfristig könnte der Zugriff auf diese Daten in die Daten innerhalb der Signalgruppen des Systems aufgenommen werden.
AI INTEGRIERT IN DAS VERKEHRSSTEUERGERÄT
Das Reinforcement Learning (RL)-Modell, das zur Optimierung der Grünzeitzuweisung in einer Lichtsignalanlage verwendet wird, kann im Wesentlichen wie folgt beschrieben werden:
1. Das Optimierungsziel des Modells besteht darin, derjenigen Signalgruppe (oder denjenigen Signalgruppen) Grünzeit zuzuweisen, die den größten „Einfluss“ auf die Verringerung der gewichteten Gesamtverspätung im System hat.
2. Das Modell berechnet kontinuierlich die aktuelle gewichtete Gesamtverspätung auf der Grundlage der aufgezeichneten und erwarteten Daten. Dies geschieht durch Aufsummierung der Verspätungen einzelner Objekte, die über Signalgruppen verteilt sind.
3. Die einzige Aktion des Modells besteht im Wesentlichen darin, zu entscheiden, welche Signalgruppe (oder Gruppen) derzeit grün sein sollte(n), um das Optimierungsziel zu erreichen. Eine Signalgruppe kann so lange ausgesetzt werden, bis ein Schwellenwert für die maximale Wartezeit für diese Signalgruppe erreicht ist; danach sollte die Signalgruppe aktiviert werden.
4. Das Modell überwacht die Entwicklung der durchschnittlichen Verspätung des Systems und „lernt“, bestimmte Muster zu erkennen, die es bei seinen Entscheidungen berücksichtigt.
VERSTÄRKUNG
MASCHINELLES LERNEN
ist ein Zweig der künstlichen Intelligenz, bei dem ein Algorithmus lernt, Entscheidungen zu treffen, indem er als Ergebnis seiner Entscheidungen/Aktionen Rückmeldungen erhält. Der Algorithmus erhält auf der Grundlage seiner Handlungen Belohnungen oder Bestrafungen und ist bestrebt, seine kumulierte Belohnung im Laufe der Zeit zu maximieren.
LIDAR
UND RADAR
sind zwei verschiedene Technologien, die zur Erkennung und Verfolgung von Objekten in Verkehrssensoren eingesetzt werden.
LIDAR verwendet Laserlicht, um Entfernungen zu messen, indem kurze Laserlichtimpulse ausgesendet werden und die Zeit gemessen wird, die das Licht braucht, um zum Sensor zurückgeworfen zu werden. Diese Zeit wird sehr genau gemessen, so dass genaue Entfernungsmessungen möglich sind.
RADAR nutzt Radiowellen (elektromagnetische Wellen), um Entfernungen und Geschwindigkeiten zu messen, indem es Radiowellen aussendet und die Verzögerung und den Dopplereffekt der zurückkommenden Wellen misst. Dadurch eignet sich RADAR besser für die Messung von Geschwindigkeiten.
DIE NACHHALTIGKEITSZIELE DER VEREINTEN NATIONEN
umfassen gezielte Maßnahmen zur Verringerung verkehrsbedingter Umweltbelastungen und zur Förderung einer nachhaltigen Mobilität. Zu diesen Zielen gehören die Verringerung der Luftverschmutzung, der Lärmbelästigung und der CO2-Emissionen zur Verbesserung der städtischen Umwelt und der öffentlichen Gesundheit. Zu den Zielen der UN gehören auch Initiativen zur Verringerung von Verkehrsunfällen und zur Schaffung sicherer Verkehrsbedingungen durch Verkehrssicherheitsmaßnahmen und Aufklärung.
VERKEHRS-
UNFÄLLE
kosten die Gesellschaft jedes Jahr viel Geld in Form von Wohlfahrtsverlusten, verlorenen Lebensjahren, Krankenhauskosten, häuslicher Pflege und Rehabilitation, Krankheitsurlaub usw.
- Ein Verkehrstoter kostet etwa 5 Millionen €.
- Ein Schwerverletzter kostet etwa 1 Million €.
- Ein Leichtverletzter kostet etwa 100.000 €. Quelle: Verkehrsökonomische Einheit Preise, DTU 2022
BESSERE NUTZUNG DER GRÜNEN ZEIT:
Der Algorithmus/das Modell weist Grünzeit zu 7 Das Modell „lernt selbst“, welche Daten den verschiedenen Signalgruppen zuzuordnen sind, und zwar auf der Grundlage eines Optimierungsziels zur Verringerung der durchschnittlichen Wartezeit des Gesamtsystems. Durch die Zuweisung unterschiedlicher Gewichte für bestimmte Richtungen und/oder Verkehrsgruppen kann eine Priorisierung vorgenommen werden, da die Optimierung dann auf den durchschnittlichen gewichteten Wartezeiten des Systems basiert. So kann zum Beispiel eine Priorisierung von „weichen“ Verkehrsteilnehmern und/oder öffentlichen Verkehrsmitteln leicht vorgenommen werden. Das Modell kann die tatsächliche rechnerische Durchfahrtszeit für jede Signalgruppe als Eingabe für den Optimierungsalgorithmus registrieren.
Zu jeder Signalgruppe gehören die Fahrspuren, d.h. das Modell bestimmt selbst die Fahrspurverteilung und die Haltelinien. Daher passt sich das Modell an Straßenarbeiten an, bei denen Fahrspuren reduziert oder verlegt werden. Wenn die Richtung eines Sensors geändert oder ausgetauscht wird, kalibriert/korrigiert das Modell den Sensoreingang selbst, usw. SWARCO Technology testet derzeit seinen SMART AI-Algorithmus in zwei bestehenden Anlagen in Dänemark. Erste Ergebnisse deuten darauf hin, dass selbst in neueren verkehrsgesteuerten Anlagen Verbesserungen bei den durchschnittlichen Wartezeiten von mehr als 5-10 % erreicht werden können, wenn man den AI-Optimierungsalgorithmus über die Verteilung der Grünzeiten entscheiden lässt.
VERBESSERUNG DER VERKEHRSSICHERHEIT
Die Lichtsignalsteuerung muss nicht nur die Verteilung der Grünzeit optimieren, sondern auch in der Lage sein, Grünphasen sicher zu beenden. Durch die Analyse von Objektdaten sollten Verkehrssteuerungen das Grünlicht so lange verlängern, wie sich zwei oder mehr Fahrzeuge auf demselben Fahrstreifen innerhalb der Auswahlzone befinden. Das heißt, in einem Abstand von der Haltelinie und mit einer Geschwindigkeit, bei der es möglich ist, sowohl anzuhalten als auch bei gelbem Licht weiterzufahren. Diese Vorgehensweise kann das Risiko von Auffahrunfällen verringern. Befindet sich die Lichtsignalanlage in einem ländlichen Gebiet, in dem eine Höchstgeschwindigkeit von 70 km/h oder mehr gilt, sollte die Verkehrssteuerung auch in der Lage sein, das grüne Licht zu verlängern, solange ein Fahrzeug mehr als vier Sekunden von der Haltelinie entfernt ist, sich aber näher an der Haltelinie befindet als sein aktueller Anhalteweg (die Dilemma-Zone). Dies kann das Risiko von Kollisionen bei Rotlicht verringern (Seitenkollisionen). Die Signalsteuerung sollte auch in der Lage sein, die Aktivierung konkurrierender Signalgruppen zu verzögern, wenn der Kreuzungsbereich nicht geräumt ist (Verlängerung der Grünphase). Beispiele für diese Art der „Ereigniserkennung“ könnten linksabbiegender Verkehr, Fußgänger auf dem Zebrastreifen oder auf der Fahrbahn usw. sein. Wenn LIDAR-Sensoren oder Wärmebildkameras mit Objektverfolgungstechnologie für die Erkennung im Kreuzungsbereich verwendet werden, kann der Algorithmus Beinahe-Vorfälle auf der Grundlage der relativen Positionen, Geschwindigkeiten und Richtungen der Objekte erkennen.
KEINE SIGNALPROGRAMME ODER PROGRAMMIERUNG
Beim Einsatz von KI-gestütztem Verkehrsmanagement ist es nicht erforderlich, ein Signalprogramm in das Verkehrssteuergerät zu laden. Ist der Algorithmus einmal entwickelt, kann er prinzipiell allgemein verwendet werden. SWARCOs SMART AI verwendet eine parameterbasierte Benutzeroberfläche, in der die Grundvoraussetzungen und Steuerungsparameter des Systems eingegeben werden. Dazu gehören Informationen über:
- Die Signalgruppen des Systems die gegenseitigen Abhängigkeiten/Abhängigkeiten der Signalgruppen - Konflikt-/Zwischengrünzeitmatrix
- Minimale Grünzeiten für die einzelnen Signalgruppen
- Maximale Wartezeiten für die einzelnen Signalgruppen
- Priorisierung (Gewichtung) der einzelnen Signalgruppen und/oder Verkehrsklassen
Ist das Steuergerät mit dem Internet verbunden oder z.B. in ein Überwachungssystem integriert, kann die Priorisierung der einzelnen Signalgruppen und die Wirkungsüberwachung über ein Online-Dashboard erfolgen. Die parametrierbare Benutzeroberfläche ermöglicht einen einfachen Zugang zur Änderung und Anpassung des Regelalgorithmus und gewährleistet damit auch ein hohes Maß an Lieferantenunabhängigkeit.
SMART AI Dashboard mit Echtzeit- und historischen Daten: Aktueller Verkehrsfluss und Überblick über die Zykluszeiten
DIE AUFRÜSTUNG BESTEHENDER LICHTSIGNALANLAGEN IST EINE GUTE IDEE, AUCH IN WIRTSCHAFTLICHER HINSICHT
In der Regel kann eine bestehende Lichtsignalanlage mit Sensoren mit Objektverfolgungstechnologie und KI-gestützter Steuerung für einen Preis zwischen 20 000 und 40 000 € aufgerüstet werden, je nachdem, ob das vorhandene Steuergerät wiederverwendet werden kann. Eine Investition dieser Größenordnung kann sich oft schon innerhalb weniger Monate amortisieren, allein durch die zu erwartenden Einsparungen bei Unfällen. Hinzu kommen die langfristigen Auswirkungen auf das Klima und die öffentliche Gesundheit. Da die Steuerung der Lichtsignalanlage selbstoptimierend und selbstüberwachend ist, beschränkt sich der Bedarf an „menschlichem“ Eingreifen auf die physische Wartung. Die Überwachung und Optimierung von Lichtsignalanlagen mittels künstlicher Intelligenz (KI) hat erhebliche Vorteile, die manuell nicht zu erreichen sind. Gerade in Zeiten, in denen menschliche Ressourcen oft knapp sind, kann KI in mehrfacher Hinsicht eine entscheidende Rolle bei der Verbesserung von Lichtsignalanlagen spielen.
Der Einsatz von KI ermöglicht eine automatische Überwachung in Echtzeit und eine schnelle Reaktion auf sich ändernde Verkehrsbedingungen. Menschen können zwar den Verkehr überwachen, aber es ist oft schwierig, auf plötzliche Staus, Unfälle oder Baustellen sofort zu reagieren. KI-Systeme können große Datenmengen von Sensoren, Kameras und anderen Quellen in Sekundenschnelle auswerten und die Verkehrssteuerung in Echtzeit anpassen. Dies führt zu schnelleren Reaktionen, weniger Wartezeiten und geringeren Verspätungen für die Verkehrsteilnehmer.
Durch den Einsatz von KI werden komplexe Verkehrsmuster und Variablen berücksichtigt, die Menschen möglicherweise übersehen. KI-Algorithmen können historische Daten, Wetterbedingungen, Echtzeitereignisse und sogar Daten von Fahrzeugen und deren GPS-Systemen analysieren. Dies ermöglicht zeit- und ortsspezifische Anpassungen der Signalsteuerung, um das Verkehrsaufkommen zu minimieren. Darüber hinaus kann die KI der Verkehrssicherheit in einer Weise Vorrang einräumen, die für Menschen schwierig ist. KI-Systeme sind in der Lage, gefährliche Situationen und potenzielle Konflikte zwischen Fahrzeugen und Fußgängern zu erkennen. Dies ermöglicht es, die Grünzeiten an kritischen Stellen zu verlängern, das Unfallrisiko zu verringern und die Verkehrssicherheit insgesamt zu verbessern.
Schließlich kann die KI rund um die Uhr arbeiten, ohne dass Pausen oder Ruhezeiten erforderlich sind. Das bedeutet, dass die Lichtsignalanlagen ständig überwacht und optimiert werden, was zu einer effizienteren Signalsteuerung und kürzeren Wartezeiten führt, unabhängig von der Tages- oder Jahreszeit. Dieses Maß an ständiger Optimierung ist manuell einfach nicht realistisch zu erreichen.
Letztendlich führt der Einsatz von künstlicher Intelligenz zu einer besseren Leistung von Lichtsignalanlagen, zu mehr Komfort für die Verkehrsteilnehmer, zu kürzeren Wartezeiten und zu mehr Verkehrssicherheit. Es handelt sich um eine Investition in Effizienz und Komfort, die dazu beiträgt, die mit der zunehmenden Verkehrsbelastung in modernen Städten verbundenen Herausforderungen zu bewältigen. SWARCO Technology geht davon aus, dass allein im Jahr 2024 10-20 KI-basierte Verkehrssteuerungen in Dänemark und etwa 15 in Norwegen in Betrieb genommen werden.