雷锋网新智驾按： 2019 第四届全球人工智能与机器人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办，得到了深圳市政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域极具实力的跨界交流合作平台。
无论是单车智能还是车路协同，抑或通过城市大脑联结所有交通数据，均离不开建立在网联化基础上的大交通系统。
同济大学教授、同济大学交通运输工程副院长马万经在近期分享的《网联环境下的智能交通管控》的主题演讲中预测了交通系统发展的四个趋势，分别是从假设走向真实、从局部走向整体、从单目标走向多目标和从均质化走向个性化。
在马万经看来，现有的交通管控存在“测不准”、“算不准”和“评不准”三个难题，但随着网联化和人工智能技术的介入，人们在掌握大量出行数据后将可以解决这些问题。届时，人的出行需求将被提前知晓并被进行统筹协调，这将有效提高现有出行效率。
从汽车行业发展看，网联化也正为汽车厂商和电信运营商所接受。随着5G技术在中国的兴起，智能汽车或将率先在国内大面积出现。
*同济大学教授、同济大学交通运输工程副院长马万经
以下是马万经的演讲全文，雷锋网新智驾进行了不改变原意的编辑：
我从学术角度以及人工智能应用到的技术角度分享一些思考。
从背景上看，移动互联网的发展给我们带来了很多的空间，有50%的人口生活在城市，到2030年可能会变成60%，这对交通出行带来很大的挑战。车辆技术在进步，从普通车辆变成自动驾驶车辆甚至变成移动的生活空间，这可能会对交通产生颠覆性影响，同时，当数据成为技术基础设施，我们开始可以获得多种多样的基础数据。
交通工具的利用率如何，决定了我们投放资源的有效使用程度。根据相关数据，小汽车有80%的时间是空闲的，95%的时间是静止的。高峰时，公交的满载率可能达到120%，但在很多情况下，它的能力是不能被充分利用的。如何解决这些问题成为需要去思考的要点。于是，共享交通模式在全世界内发展，我们有共享汽车、共享自行车，有多样化的出行模式。为什么交通领域有很多层出不穷的技术出现？因为这和我们每个人的生活息息相关。
交通本身还是一个国民经济中非常重要的领域，这也是为什么有这么多资本涌入这个行业。在特朗普上任之前，白宫的办公室专门对人工智能的发展写了一份报告，提到了人工智能可能带来经济、人口等各方面的变化。麦肯锡说，现在的交通正经历着巨大的变革。在一百多年前，人们一直在研讨马车带来的一系列问题，可是现在看这个问题不见了，因为汽车出现了，交通的信号控制已经获得飞速发展。
从交通管控的技术发展角度看，大概在60年代以前，人们更多在研究如何做一些管控方案，后来，随着检测、计算和控制技术的发展，人们开始调整管控策略，以实现更好的管控交通效果。现在，城市还会有各种各样的交通问题，我们反思这些问题是如何发生时发现，其中有一部分问题很可能是交通管控所能够解决的，换言之，有一部分问题是交通管控系统本身导致的。
交通管控系统存在“三不准”
如果交通管控本身存在技术问题，我认为有三个方面：
第一，测不准。实际上，我们投入了非常多的精力去建设交通的感知体系，比如，线圈、视频、RFID等很多的设备，但是如果仔细分析这些信息是否足以让我们非常全面、细致、准确地了解交通的演变，会发现可能还远远不足。比如，我们还不知道任何一个驾驶员这一时刻从哪里到哪里，他的来龙去脉很难获得。所以，如何更准确地获得交通管控所需要的信息，而不仅仅是获取断面的流量信息，这些问题是我们测不准的。
第二，算不准。即便可以提供驾驶员的信息，那么，我们能不能针对一个相对复杂的网络或变化复杂的交通流，做出一个非常好的方案？这件事本身也受到很多限制。当然，人工智能的快速发展可能会提高计算的效率和准确度。
第三，评不准。交通系统中有很多有意思的问题，比如，很多人说，一看都对，一做都错。一看都对可能是因为你只看到一个侧面，一做都错是因为，每个方案都是解决系统的一部分，而系统本身也在迅速发生各种各样的变化，所以很难准确测评某个效果到底怎么样。如果我们做了改善，改善之后又堵了，那么这个工作到底有效还是无效，这类问题需要通过更多的办法、更多的数据进行更好更全面进行分析。
随着技术的进步，我们正在进入车路协同的环境，这会提供各种各样的信息。比如，原来只知道流量的信息，现在可以知道车辆的位置、ID、加速度、状态、转向等等，这些数据都可以提前获取，而不是等车过了路口后才被获取。
对于车辆而言，之前看信号灯的变化，有了网联环境后，人们可能提前就知道了管控方案，甚至知道未来的方案会发生什么变化，这对信息输入、调控手段会发生重要影响——检测对象很可能会变成检测工具，以前用很多装备去检测车辆，现在车辆本身可以提供很多信息。同时，控制对象变成控制手段，之前车辆只能被动服从管控系统，现在车辆知道了管控方案后可以做出主动的调整。
因此，有很多思考结果出现，其中一个就是，以后的交叉口或城市道路网是自治控制的。也就是说，以后路上可能有一种非常理想的情况是，没有信号灯，所有的车可以像鱼一样在路上游来游去。世界上很多国家都在做类似的工作，特别是自动驾驶车辆出现后。
很多人认为那个时代还很遥远，让所有车都变成自动驾驶车，这个事情很困难，即便二十年之后自动驾驶技术成熟了，但是我们不能否认，有人喜欢自己开车，路上还是会有行人。从现在到未来的控制是一种网联混合流控制，我们有公交车，有大车小车，行人和自行车，以后会混入不同智能水平的车辆，可能是辅助驾驶，半自动驾驶或者高级自动驾驶。还有一些人可能带着一些可穿戴设备，这些装备可以和路测装备连接，这些新型混合流如何控制，是现在到未来相当长一段时间内要面临的问题。
数据可能来源于各种各样的监测器，也可能来自车辆或者行人提供的信息，同样地，管控手段也会变成既有传统的管控手段，也有可能直接控制车辆或者任何一个有通讯功能的个体。
未来交通系统的四个趋势
在这个背景下，我们做了一些思考，认为可能会出现以下几个趋势：
第一，从假设走向真实。过去为了让系统变得可以建模和被描述，人们做了非常多的假设，问题是，这些假设本身已经偏离了系统本身的特点。比如，路上的行为，特别是混合流情况下的行为，如何更准确的描述它们，这些准确度会影响到之后的建模分析。
现在有了人工智能，可以获得更多的数据，如果可以更好的在这个模型中描述交通个体参与的行为，就可以获得整体的感知，比如，它的交通能力是什么，速度是多少。如果想让获取的数据更加真实，可以用更好的工具，比如仿真。如果考虑到自动驾驶车辆会进来，如何模仿车辆本身对于交通流的影响？如果是真车，可以把真实车辆和现实的仿真系统对接，也可以有一些微缩的车辆和现实系统进行对接，如此一来，在实验室内一定程度上模仿真实车辆或者微缩车辆、路测设备和管控系统之间的交互，这也是一个重要的方向，这会让控制算法有一个相对真实的环境。
必须注意到，网联环境下的一个很重要的特点是可以提供非常多的数据。有人说自动驾驶上路后会有什么好处？其中一个重要的好处就是，它可以向我们提供非常高精度的轨迹数据，有了这些数据后，之前基于断面数据得出的方案，可能会迅速演变成针对所有车辆全部行驶过程的一系列方案，从而可以做到更好的交通管控方案的优化，也可以做到更准确的评价。
现在，人们已经做了很多工作，比如管控系统的优化，甚至做城市大脑，做了之后人们会反思一个问题，做之前这个系统怎么样，做之后这个系统怎么样？如果路网堵了，是不是管控系统的问题？如果路网不堵，是不是意味着管控系统没有问题？这都不是可以简单回答的，因为出行状态的好坏跟管控本身并不是直接的关系。
我们可以去分析方案的对错、好坏，比如，如果希望在路上行驶时看到的是一路绿灯。当所有路口放在一起进行协调，怎么评价协调效果是好还是坏，我们开发了协调指数。在不同场景下，协调指数可以反映出到底应不应该协调，协调方案好还是坏。
第二，从局部走向整体。为了分析系统的好坏，为了让系统可控，可以把一个完整的过程分成若干个部分。然后在做优化时只优化其中一部分，比如，仅仅优化系统的车道功能或者空间设计，或者时间设计。能不能把这些问题放在一起做？由于我们有更好的计算方法，有更多的数据可以为计算方法提供很好的支撑，所以可以从时间和空间、资源或者相关联的要素上进行集成。
还有一个从局部走向整体的典型案例是对不同阶段进行集成，每个人的出行不会被分为先看交通方式再看目的地，出行是连贯的，在具体的优化或设计一个网络或者一个管控策略时，人们考虑的是整体的选择过程，从哪儿来到哪儿去，经历了什么，路过了什么，这些信息如果能够捕捉得到，就可以进行更好的优化。
同时，集成还涉及到动态和静态方案的整合。交通系统本身具有非常大的随机性，计算量也很大，数据要求很多，更多时间考虑的是基于它的统计规律做一些相对全面系统、静态的方案，基于实时检测数据做出更好的实时响应方案，这两个方案之间怎么做出最好的搭配，这显然是一个很有意思的问题。如何在实时方案的支持下，将真实的交通响应做到最好？如果我们有更好的数据和算法，这些统计规律能够捕捉得更精确，真实状态就能够响应得更及时。
还有一个例子可以说明我们可以从局部走向整体。以公交车为例，从业务上讲，公交车的调度和控制分属于两个不同的部门，公交车属于交通公司管辖，信号灯属于交通管理部门管辖。如果考虑到现实中的真实运行情况，就像洛杉矶的交通局分析的，公交车在非高峰时段是不满的，服务效率是低的。那么，能不能考虑集成全部框架，从公交车本身运营调度到信号调度，再到乘客响应等全部放在一起，从而可以及时决策在什么时间，公交公司选择哪一辆车发出，到哪一个站接哪一个人，送到哪一个站，这个工作可以循环进行。可以及时收到每个人的申请，把申请分配到相应的车，告诉你出发时间，按照申请再把这个人送到相应的地方，这显然就是一种所谓集成的服务。它可能更贴近人们本身的需求，因为从一个出行者的角度看，无所谓到底用哪一辆车，他们只是希望能够按照自己的要求实现出行目的。
第三，从单目标走向多目标。交通系统本身是多目标的，从系统管理角度，目标也是不一样的，每个构成部分的目标也是不一样的，如何实现多目标的平衡？有了更好的算法之后，我们可以做到更加真实。有了一定的数据和信息之后，我们可以做得更精细。
举个例子，在一个行人交叉口，人们其实可以从各个方向过马路，而不是直行过马路。传统的逻辑是人过马路的时候车不走，车走的时候人不走。当收集到更多数据后会发现不一定非要这么做。比如，按照传统的逻辑，可能会有更多的人会闯红灯。我们通过数据反馈过会现，原来的假设是不对的，要重新审视已经存在或者认可的结论。
第四，从均质化走向个性化。有了车路协同和车联网，每个车辆都可以进行动态的调控，设施也可以进行动态调控。一个典型的案例是，在车路协同环境下的柔性车道可以被用在公交专用道上。其实，要不要把专道开放，这远超出了管控的范畴。但如果从设施利用率的角度看，要提供效率，可以让一部分小汽车进入到公交专用道上，算法可以让公交车前面有一个清空距离，在这个距离内，小汽车对公交车的运行影响很小。这种方法也可以用在快速路上，快速路上有各种各样的场景，比如施工区或优先车队，都可以用类似的方法，通过柔性车道的管理来实现运行效率的提升。
另一个从均质化走向个性化的例子是，如果有了车路协同的环境，就可以提供辅助的驾驶，但是怎么样提供最好的辅助？比如，现在比较流行的HUD应该到底怎么样提供信息，才能让驾驶员顺畅响应而不是对他造成一种干扰？我们做过一个实验，如果希望驾驶员去关注自动驾驶车辆，我们可以在他的方向盘上施加一个转矩，比如，当人在开车过程中应该向左打转向，我们会在方向盘上设定一个向左的动作。实验表明，90%的人会跟着这个方向盘反映过来，同时总有10%的人会向右，这跟人的行为模式是有关系的。如何设计好个性化服务，根据人本身的特征提供更好的辅助措施，这会促使我们的很多车路协同工作是有效的，而不是造成驾驶的分心。
所以，我们设立了一系列方法去研究车路协同环境下，在什么时间、出现什么信息、通过什么方式提醒驾驶员。
我们还用华盛顿一段路上的实验数据，验证了一个发现，就是只要控制几辆车的速度，就可以改变整体交通拥堵时长。对这个反向的发表文章引起很多人的关注。
回归出行本身
展望一下未来。让我们跳出现在管控的模式，返回来看人的出行。
出行本身无非是什么时间前往什么地点，每个人的出行中，除了出行过程的时间，其实还有预定的时间，等待的时间和支付的时间，以及各种各样意外的时间，整体上会耗费很多时间。每个人都希望有个小秘书帮他处理所有出行相关的事情，这个出行小秘书可能会成为未来的发展方向，这也是出行即服务的非常重要的视角，出行小秘书解决了人们原来在交通上花费的那些额外的支出。
现在的出行方式是，每个人去找各种各样的方式，比如去机场，乘出租车，坐地铁等。以后可能不需要这样，那时候出行系统中会增加两层，一层是服务提供者，一层是数据提供者，人的部分信息会被这些提供者获取，并反过来向我们提供最优方案，这显然是类似于小秘书做的工作。
可以想像的是，实现这一结果需要对个性化有更好的描述，这是人工智能或者大数据能够做到的事情。如何针对不同特点的用户提供不同的方案是非常关键的。
对于交通管控而言，未来如果很多人都用小秘书去申请出行服务，意味着系统可以获得每个人的出行服务需求，假设需求量很大，并且人们会执行系统提供的出行方案，故事就发生变化了。那时候，交通管控系统可能很早就知道了未来会有多少人在什么地方出行，同时，系统还可以通过信息服务改变人们的出行路径，改变出行方式。
这样做的结果是，交通管控工作从原来的出行之后开始介入，变成了出行之前介入。过去，我们想方设法预测未来，现在我们开始规划未来。通过更具有系统性和主动性的智能管控影响交通，是未来非常重要的发展方向。
正在生成分享图...
利荣