同濟大學馬萬經：交通管控存在測不準等問題 網聯化后將呈現四個趨勢 | CCF-GAIR 2019

雷鋒網新智駕按： 2019 第四屆全球人工智能與機器人峰會（CCF-GAIR 2019）于深圳正式召開。峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智能與機器人研究院協辦，得到了深圳市政府的大力指導，是國內人工智能和機器人學術界、工業界及投資界三大領域的頂級交流博覽盛會，旨在打造國內人工智能領域極具實力的跨界交流合作平臺。  

無論是單車智能還是車路協同，抑或通過城市大腦聯結所有交通數據，均離不開建立在網聯化基礎上的大交通系統。

同濟大學教授、同濟大學交通運輸工程副院長馬萬經在近期分享的《網聯環境下的智能交通管控》的主題演講中預測了交通系統發展的四個趨勢，分別是從假設走向真實、從局部走向整體、從單目標走向多目標和從均質化走向個性化。

在馬萬經看來，現有的交通管控存在“測不準”、“算不準”和“評不準”三個難題，但隨著網聯化和人工智能技術的介入，人們在掌握大量出行數據后將可以解決這些問題。屆時，人的出行需求將被提前知曉并被進行統籌協調，這將有效提高現有出行效率。

從汽車行業發展看，網聯化也正為汽車廠商和電信運營商所接受。隨著5G技術在中國的興起，智能汽車或將率先在國內大面積出現。

*同濟大學教授、同濟大學交通運輸工程副院長馬萬經

以下是馬萬經的演講全文，雷鋒網新智駕進行了不改變原意的編輯：

我從學術角度以及人工智能應用到的技術角度分享一些思考。

從背景上看，移動互聯網的發展給我們帶來了很多的空間，有50%的人口生活在城市，到2030年可能會變成60%，這對交通出行帶來很大的挑戰。車輛技術在進步，從普通車輛變成自動駕駛車輛甚至變成移動的生活空間，這可能會對交通產生顛覆性影響，同時，當數據成為技術基礎設施，我們開始可以獲得多種多樣的基礎數據。

交通工具的利用率如何，決定了我們投放資源的有效使用程度。根據相關數據，小汽車有80%的時間是空閑的，95%的時間是靜止的。高峰時，公交的滿載率可能達到120%，但在很多情況下，它的能力是不能被充分利用的。如何解決這些問題成為需要去思考的要點。于是，共享交通模式在全世界內發展，我們有共享汽車、共享自行車，有多樣化的出行模式。為什么交通領域有很多層出不窮的技術出現？因為這和我們每個人的生活息息相關。

交通本身還是一個國民經濟中非常重要的領域，這也是為什么有這么多資本涌入這個行業。在特朗普上任之前，白宮的辦公室專門對人工智能的發展寫了一份報告，提到了人工智能可能帶來經濟、人口等各方面的變化。麥肯錫說，現在的交通正經歷著巨大的變革。在一百多年前，人們一直在研討馬車帶來的一系列問題，可是現在看這個問題不見了，因為汽車出現了，交通的信號控制已經獲得飛速發展。

從交通管控的技術發展角度看，大概在60年代以前，人們更多在研究如何做一些管控方案，后來，隨著檢測、計算和控制技術的發展，人們開始調整管控策略，以實現更好的管控交通效果。現在，城市還會有各種各樣的交通問題，我們反思這些問題是如何發生時發現，其中有一部分問題很可能是交通管控所能夠解決的，換言之，有一部分問題是交通管控系統本身導致的。

交通管控系統存在“三不準”

如果交通管控本身存在技術問題，我認為有三個方面：

第一，測不準。實際上，我們投入了非常多的精力去建設交通的感知體系，比如，線圈、視頻、RFID等很多的設備，但是如果仔細分析這些信息是否足以讓我們非常全面、細致、準確地了解交通的演變，會發現可能還遠遠不足。比如，我們還不知道任何一個駕駛員這一時刻從哪里到哪里，他的來龍去脈很難獲得。所以，如何更準確地獲得交通管控所需要的信息，而不僅僅是獲取斷面的流量信息，這些問題是我們測不準的。

第二，算不準。即便可以提供駕駛員的信息，那么，我們能不能針對一個相對復雜的網絡或變化復雜的交通流，做出一個非常好的方案？這件事本身也受到很多限制。當然，人工智能的快速發展可能會提高計算的效率和準確度。

第三，評不準。交通系統中有很多有意思的問題，比如，很多人說，一看都對，一做都錯。一看都對可能是因為你只看到一個側面，一做都錯是因為，每個方案都是解決系統的一部分，而系統本身也在迅速發生各種各樣的變化，所以很難準確測評某個效果到底怎么樣。如果我們做了改善，改善之后又堵了，那么這個工作到底有效還是無效，這類問題需要通過更多的辦法、更多的數據進行更好更全面進行分析。

隨著技術的進步，我們正在進入車路協同的環境，這會提供各種各樣的信息。比如，原來只知道流量的信息，現在可以知道車輛的位置、ID、加速度、狀態、轉向等等，這些數據都可以提前獲取，而不是等車過了路口后才被獲取。

對于車輛而言，之前看信號燈的變化，有了網聯環境后，人們可能提前就知道了管控方案，甚至知道未來的方案會發生什么變化，這對信息輸入、調控手段會發生重要影響——檢測對象很可能會變成檢測工具，以前用很多裝備去檢測車輛，現在車輛本身可以提供很多信息。同時，控制對象變成控制手段，之前車輛只能被動服從管控系統，現在車輛知道了管控方案后可以做出主動的調整。

因此，有很多思考結果出現，其中一個就是，以后的交叉口或城市道路網是自治控制的。也就是說，以后路上可能有一種非常理想的情況是，沒有信號燈，所有的車可以像魚一樣在路上游來游去。世界上很多國家都在做類似的工作，特別是自動駕駛車輛出現后。

很多人認為那個時代還很遙遠，讓所有車都變成自動駕駛車，這個事情很困難，即便二十年之后自動駕駛技術成熟了，但是我們不能否認，有人喜歡自己開車，路上還是會有行人。從現在到未來的控制是一種網聯混合流控制，我們有公交車，有大車小車，行人和自行車，以后會混入不同智能水平的車輛，可能是輔助駕駛，半自動駕駛或者高級自動駕駛。還有一些人可能帶著一些可穿戴設備，這些裝備可以和路測裝備連接，這些新型混合流如何控制，是現在到未來相當長一段時間內要面臨的問題。

數據可能來源于各種各樣的監測器，也可能來自車輛或者行人提供的信息，同樣地，管控手段也會變成既有傳統的管控手段，也有可能直接控制車輛或者任何一個有通訊功能的個體。

未來交通系統的四個趨勢

在這個背景下，我們做了一些思考，認為可能會出現以下幾個趨勢：

第一，從假設走向真實。過去為了讓系統變得可以建模和被描述，人們做了非常多的假設，問題是，這些假設本身已經偏離了系統本身的特點。比如，路上的行為，特別是混合流情況下的行為，如何更準確的描述它們，這些準確度會影響到之后的建模分析。

現在有了人工智能，可以獲得更多的數據，如果可以更好的在這個模型中描述交通個體參與的行為，就可以獲得整體的感知，比如，它的交通能力是什么，速度是多少。如果想讓獲取的數據更加真實，可以用更好的工具，比如仿真。如果考慮到自動駕駛車輛會進來，如何模仿車輛本身對于交通流的影響？如果是真車，可以把真實車輛和現實的仿真系統對接，也可以有一些微縮的車輛和現實系統進行對接，如此一來，在實驗室內一定程度上模仿真實車輛或者微縮車輛、路測設備和管控系統之間的交互，這也是一個重要的方向，這會讓控制算法有一個相對真實的環境。

必須注意到，網聯環境下的一個很重要的特點是可以提供非常多的數據。有人說自動駕駛上路后會有什么好處？其中一個重要的好處就是，它可以向我們提供非常高精度的軌跡數據，有了這些數據后，之前基于斷面數據得出的方案，可能會迅速演變成針對所有車輛全部行駛過程的一系列方案，從而可以做到更好的交通管控方案的優化，也可以做到更準確的評價。

現在，人們已經做了很多工作，比如管控系統的優化，甚至做城市大腦，做了之后人們會反思一個問題，做之前這個系統怎么樣，做之后這個系統怎么樣？如果路網堵了，是不是管控系統的問題？如果路網不堵，是不是意味著管控系統沒有問題？這都不是可以簡單回答的，因為出行狀態的好壞跟管控本身并不是直接的關系。

我們可以去分析方案的對錯、好壞，比如，如果希望在路上行駛時看到的是一路綠燈。當所有路口放在一起進行協調，怎么評價協調效果是好還是壞，我們開發了協調指數。在不同場景下，協調指數可以反映出到底應不應該協調，協調方案好還是壞。

第二，從局部走向整體。為了分析系統的好壞，為了讓系統可控，可以把一個完整的過程分成若干個部分。然后在做優化時只優化其中一部分，比如，僅僅優化系統的車道功能或者空間設計，或者時間設計。能不能把這些問題放在一起做？由于我們有更好的計算方法，有更多的數據可以為計算方法提供很好的支撐，所以可以從時間和空間、資源或者相關聯的要素上進行集成。

還有一個從局部走向整體的典型案例是對不同階段進行集成，每個人的出行不會被分為先看交通方式再看目的地，出行是連貫的，在具體的優化或設計一個網絡或者一個管控策略時，人們考慮的是整體的選擇過程，從哪兒來到哪兒去，經歷了什么，路過了什么，這些信息如果能夠捕捉得到，就可以進行更好的優化。

同時，集成還涉及到動態和靜態方案的整合。交通系統本身具有非常大的隨機性，計算量也很大，數據要求很多，更多時間考慮的是基于它的統計規律做一些相對全面系統、靜態的方案，基于實時檢測數據做出更好的實時響應方案，這兩個方案之間怎么做出最好的搭配，這顯然是一個很有意思的問題。如何在實時方案的支持下，將真實的交通響應做到最好？如果我們有更好的數據和算法，這些統計規律能夠捕捉得更精確，真實狀態就能夠響應得更及時。

還有一個例子可以說明我們可以從局部走向整體。以公交車為例，從業務上講，公交車的調度和控制分屬于兩個不同的部門，公交車屬于交通公司管轄，信號燈屬于交通管理部門管轄。如果考慮到現實中的真實運行情況，就像洛杉磯的交通局分析的，公交車在非高峰時段是不滿的，服務效率是低的。那么，能不能考慮集成全部框架，從公交車本身運營調度到信號調度，再到乘客響應等全部放在一起，從而可以及時決策在什么時間，公交公司選擇哪一輛車發出，到哪一個站接哪一個人，送到哪一個站，這個工作可以循環進行。可以及時收到每個人的申請，把申請分配到相應的車，告訴你出發時間，按照申請再把這個人送到相應的地方，這顯然就是一種所謂集成的服務。它可能更貼近人們本身的需求，因為從一個出行者的角度看，無所謂到底用哪一輛車，他們只是希望能夠按照自己的要求實現出行目的。

第三，從單目標走向多目標。交通系統本身是多目標的，從系統管理角度，目標也是不一樣的，每個構成部分的目標也是不一樣的，如何實現多目標的平衡？有了更好的算法之后，我們可以做到更加真實。有了一定的數據和信息之后，我們可以做得更精細。

舉個例子，在一個行人交叉口，人們其實可以從各個方向過馬路，而不是直行過馬路。傳統的邏輯是人過馬路的時候車不走，車走的時候人不走。當收集到更多數據后會發現不一定非要這么做。比如，按照傳統的邏輯，可能會有更多的人會闖紅燈。我們通過數據反饋過會現，原來的假設是不對的，要重新審視已經存在或者認可的結論。

第四，從均質化走向個性化。有了車路協同和車聯網，每個車輛都可以進行動態的調控，設施也可以進行動態調控。一個典型的案例是，在車路協同環境下的柔性車道可以被用在公交專用道上。其實，要不要把專道開放，這遠超出了管控的范疇。但如果從設施利用率的角度看，要提供效率，可以讓一部分小汽車進入到公交專用道上，算法可以讓公交車前面有一個清空距離，在這個距離內，小汽車對公交車的運行影響很小。這種方法也可以用在快速路上，快速路上有各種各樣的場景，比如施工區或優先車隊，都可以用類似的方法，通過柔性車道的管理來實現運行效率的提升。

另一個從均質化走向個性化的例子是，如果有了車路協同的環境，就可以提供輔助的駕駛，但是怎么樣提供最好的輔助？比如，現在比較流行的HUD應該到底怎么樣提供信息，才能讓駕駛員順暢響應而不是對他造成一種干擾？我們做過一個實驗，如果希望駕駛員去關注自動駕駛車輛，我們可以在他的方向盤上施加一個轉矩，比如，當人在開車過程中應該向左打轉向，我們會在方向盤上設定一個向左的動作。實驗表明，90%的人會跟著這個方向盤反映過來，同時總有10%的人會向右，這跟人的行為模式是有關系的。如何設計好個性化服務，根據人本身的特征提供更好的輔助措施，這會促使我們的很多車路協同工作是有效的，而不是造成駕駛的分心。

所以，我們設立了一系列方法去研究車路協同環境下，在什么時間、出現什么信息、通過什么方式提醒駕駛員。

我們還用華盛頓一段路上的實驗數據，驗證了一個發現，就是只要控制幾輛車的速度，就可以改變整體交通擁堵時長。對這個反向的發表文章引起很多人的關注。

回歸出行本身

展望一下未來。讓我們跳出現在管控的模式，返回來看人的出行。

出行本身無非是什么時間前往什么地點，每個人的出行中，除了出行過程的時間，其實還有預定的時間，等待的時間和支付的時間，以及各種各樣意外的時間，整體上會耗費很多時間。每個人都希望有個小秘書幫他處理所有出行相關的事情，這個出行小秘書可能會成為未來的發展方向，這也是出行即服務的非常重要的視角，出行小秘書解決了人們原來在交通上花費的那些額外的支出。

現在的出行方式是，每個人去找各種各樣的方式，比如去機場，乘出租車，坐地鐵等。以后可能不需要這樣，那時候出行系統中會增加兩層，一層是服務提供者，一層是數據提供者，人的部分信息會被這些提供者獲取，并反過來向我們提供最優方案，這顯然是類似于小秘書做的工作。

可以想像的是，實現這一結果需要對個性化有更好的描述，這是人工智能或者大數據能夠做到的事情。如何針對不同特點的用戶提供不同的方案是非常關鍵的。

對于交通管控而言，未來如果很多人都用小秘書去申請出行服務，意味著系統可以獲得每個人的出行服務需求，假設需求量很大，并且人們會執行系統提供的出行方案，故事就發生變化了。那時候，交通管控系統可能很早就知道了未來會有多少人在什么地方出行，同時，系統還可以通過信息服務改變人們的出行路徑，改變出行方式。

這樣做的結果是，交通管控工作從原來的出行之后開始介入，變成了出行之前介入。過去，我們想方設法預測未來，現在我們開始規劃未來。通過更具有系統性和主動性的智能管控影響交通，是未來非常重要的發展方向。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。