SCI Tech Daily 指出：僅 2014 年，美國人在通勤上就耗費了 69 億個小時。此外交通擁堵造成的額外汽油消耗，平均也高達 19 加侖 —— 相當於每年損失 1600 億美元的時間和燃料。更確切地說，在美國的許多大城市，普通司機每年可能會浪費 100 多個小時的通勤時間。
（圖自：Aston University）
參考典型的工作場合，路途上浪費的時間，足夠通勤者每年休兩個半星期的假。好消息是，許多研究人員正在努力減少交通擁堵 —— 無論是大力發展自動駕駛汽車、或是引入 AI 交通信號燈。
本文要為大家介紹的，第 21 屆 AAMAS 會議論文集中收錄的、來自阿斯頓大學研究團隊的人工智能信號燈技術。可知其系統能夠實時掃描視頻片段以調節燈控信號，以減少擁堵 / 保持道路通暢。
Deepeka Garg、Maria Chli 和 George Vogiatzis 在題為《Fully-Autonomous, Vision-based Traffic Signal Control: from Simulation to Reality》文中解釋稱：
● 藉助深度強化學習，AI 軟件能夠分辨道路交通何時出現了不暢，並嘗試一種新方法來改進信號燈、或在取得進展時持續加以改進。
● 這套 AI 系統在測試期間的表現一騎絕塵，遠超通常依賴於手動設計而作出的改變。
● 此外信號燈放行時間的不足，是造成高峰期道路擁塞的一個主要原因。
為找到化解交通擁堵的最優解，阿斯頓大學研究人員先是構建出了一套擬真度與照片相仿的 Traffic 3D 交通模擬器場景。
通過教授 AI 系統應對不同的佳通和天氣狀況，深度強化學習可讓這套系統在面對真實的十字路口畫面時很快適應。
該校計算機科學專業的 Maria Chli 解釋稱：
我們將之設置為一場交通信號燈的調控遊戲，當程序讓汽車途徑一個路口時，即可獲得適當的‘獎勵’。
而當汽車必須等待、或道路出現擁塞時，系統又會接收到負面評價。但實際上，我們並未對其有任何輸入，而是只對控制系統給予獎懲。
作為參考，當前已經投入使用的交通信號燈自動化調控系統，多依賴於道路上的磁感應迴路、以對過往的車輛進行計數，並據此做出一些回應。
而阿斯頓大學研究團隊新創的 AI 系統，卻能夠在汽車通過紅燈路口前、更快地“預見”到更高的交通流量並做出決定。
阿斯頓大學計算機科學高級講師 George Vogiatzis 博士補充道：
之所以將這套程序構建在行為學習的基礎上，是因為它能夠理解以往沒有明確經歷過的情況。
我們已經通過一個導致擁堵的物理障礙物、而不是交通信號燈相位來驗證測試，結果表明這套系統的表現依然良好。
顯然，只要各因素之間存在因果關係，計算機最終都會搞明白其中的厲害管理，這也是這套 AI 交通信號燈控制系統的異常強大之處。
比如程序可以設置為查看某個地區的任何交通路口，然後開啟自主學習、而無需使用特定的指令來編程。此外如有需要，交通管理單位也可設置優先保障應急救援車輛的快速通行。
最後，如果一切順利，研究人員希望他們能夠從今年開始在真實道路上測試這套系統。