交通部運輸研究所Institute of Transportation, MOTC

• 資料發布日期：112-09-19
• 最後更新日期：112-09-21
• 資料來源：交通部運輸研究所

計畫概述

       近年來人工智慧在軟硬體技術的突飛猛進與各領域應用的迅速發展，可預期未來運用人工智慧、影像辨識、資通訊(ICT)、車聯網(V2X)與5G等技術，特別有助於紓緩因交通號誌控制不夠智慧，導致民眾行的痛點。本所於104年至108年進行系列智慧交通服務效能與安全的車聯網研究計畫，優先探討我國都市交通號誌控制與車聯網整合，提供即時號誌動態資訊給各式車輛，以提供安全、優先通行、節能的道路交通環境。交通部「淡海新市鎮智慧交通場域試驗研究計畫」以本所車聯網系列研究為基礎，進一步針對號誌控制與電信車聯網(C-V2X)整合的通訊協定需求，參酌SAE標準研擬「號誌控制器與車聯網路側設施間資通訊標準」。另本所於109年「應用人工智慧技術進行交通數據蒐集暨號誌控制之研究」計畫發展以仿真學習(Imitation Learning, IL)與以號誌「週期」為基礎的人工智慧強化學習(RL)號誌控制，而國內亦有相關學術研究與桃園市的實作案例。本計畫導入人工智慧強化學習深度確定策略梯度(Deep Deterministic Policy Gradient, DDPG)與近端策略優化(Proximal Policy Optimization, PPO)的「無模式(Model-free)」與車聯網(V2X)等技術在交通號誌控制應用，並藉由實驗場域實際車流資料於模擬環境中進行訓練學習與量化績效分析。

研究成果

1. 與臺北市政府、臺南市政府、高雄市政府合作分別於「中山北路-德行東路」多路口幹道、「台86-19甲」單一路口、「台88鳳山出口」(過埤路-鳳頂路)等3個實驗場域完成交通調查、模擬模式構建與校估，以及人工智慧強化學習號誌控制模型之學習訓練與模擬測試及績效分析。
2. 根據模擬測試績效顯示，依不同場域特色所設計人工智慧強化學習(DDPG與PPO)應用方案皆能不同程度的改善現況交通績效，顯示DDPG強化學習號誌控制的潛力與可行性。
3. 採用卷積層網路(CNN)結構萃取車聯網資料資料特徵，進而作為強化學習的資料輸入，而實驗結果顯示，以車聯網資料作為強化學習號誌控制資料來源的潛力。

研究推廣與效益

於111年11月18日與21日邀請各縣市政府、學術界與產業界參與，透過成果分享會來推廣本計畫之研究成果，並於111年11月22日辦理教育訓練。

研究成果精華摘整

臺北市實驗場域及人工智慧強化學習號誌控制模型與訓練

研究成果報告

• 我國人工智慧車聯網之號誌控制模式探討 (112年5月出版)