Het mooie is dat een AImodel de onderscheidende kenmerken kan leren die echt belangrijk zijn om een kruispunt te regelen. beweging van het schip. Als de diepgang van het schip te groot is om door het Noordzeekanaal richting Amsterdam te kunnen, geeft het systeem een waarschuwing. FlowCube: Fietsers en voetgangers in beeld De FlowCubeverkeerssensor wordt vooral ingezet voor de verkeersafwikkeling rondom kruispunten. Met Vision AI worden de verkeersstromen in beeld gebracht. De kracht van de FlowCube is zijn grote flexibiliteit. Hij kan leren om fietsers, voetgangers en elk ander type verkeersdeelnemer te herkennen. Met meerdere FlowCubes op verschillende locaties kunnen we de routes van individuele verkeersdeelnemers bepalen – zonder identificatie of dataopslag. Daarnaast zetten we de FlowCube in voor de registratie van bijnaongelukken op drukke kruispunten (‘near misses’). De informatie die we zo inwinnen vormt een waardevolle aanvulling voor de monitoring van de verkeersafwikkeling. In Nederland is de FlowCube ideaal om meer zicht te krijgen op fietsers en voetgangers (gemotoriseerd verkeer ‘zien’ we meestal met inductielussen). In de VS, waar kruis punten niet of nauwelijks detectieinfrastructuur hebben, zetten steden de FlowCube in om de verkeers regeling van informatie te voorzien over alle verkeersmodi – waaronder ook openbaar vervoer. AI en de ‘intelligente’ VRI In Nederland is de toepassing van Vision AI soms lastiger. Hier staan veel iVRI’s: ‘intelligente’ verkeersregelinstallaties. Een iVRI krijgt informatie over de verkeersafwikkeling vanuit traditionele detectie en de gpsinformatie van voertuigen. Middels wachtrijmodellen en optimalisatie technieken bepaalt een verkeersregeling wat de optimale volgorde is om de verschillende richtingen op het 22 kruispunt groen te geven. Vision AItoepassingen zoals de FlowCube kunnen hun informatie nu alleen aan een iVRI aanbieden door alle contextuele informatie over voertuigen (afstand tot de stop streep, lengte van het voertuig, rijstrook) te verwijderen, waarna in de verkeersregeling de voor de regeling belangrijke informatie wordt gereconstrueerd. Hierbij gaat mogelijk informatie verloren, waardoor de kracht van de Vision AI niet optimaal wordt gebruikt. Meer doen met minder data Wat kunnen we dan wel verwachten op het gebied van AI en verkeersmanagement? Wat met Large Language Models is aangetoond, is dat het totale corpus van informatie op internet is samen te vatten in een relatief beperkte set gewichten van een neuraal netwerk. In vaktermen: de entropie van de data en kennis die we verzamelen en opslaan is hoog, en AImodellen kunnen met veel minder data toe. Mogelijk geldt dit ook voor specifieke toepassingen zoals het regelen van het verkeer op kruispunten. AI is onbevangen, volgens sommigen naïef. Het mooie hiervan is wel dat een AImodel de onderscheidende kenmerken kan leren die echt belangrijk zijn om een kruispunt te regelen. Mensen denken dat een model individuele auto’s in een wachtrij moet kunnen tellen, maar misschien is dat niet nodig voor goede verkeersregelscenario’s en ziet het model andere bruikbare patronen, zoals de lengte van de wachtrij, of dat een wachtrij dreigt terug te slaan. Of wij mensen het kunnen volgen en – cruciaal! – of wij er voldoende vertrouwen in hebben om zo’n model het verkeer te laten regelen, is de volgende vraag. We moeten elke oplossing in ieder geval langdurig en grondig testen vóórdat we haar loslaten op de werkelijkheid. Hoe ze eruit gaan zien is nog niet duidelijk, maar één ding staat vast: we gaan zeker binnenkort nieuwe AItoepassingen in verkeersmanagement zien.
23 Online Touch Home