Почему идеальная настройка светофоров невозможна: дело не в алгоритмах

Любой разработчик, застрявший на красный свет посреди ночного перекрестка, наверняка думал: «Я бы эту проблему за пару дней разрулил».

Я тоже так самонадеянно рассуждал. Однако, погрузившись в логику работы светофорных объектов, я сделал любопытные выводы. Оказывается, сама формулировка задачи «навести порядок на дорогах» при ближайшем рассмотрении теряет всякий смысл. Как ни странно, это далеко не классическая задача оптимизации. И самое обидное здесь то, что вычислительная мощность — далеко не главное узкое место.

Давайте разберем всё по полочкам, ведь путь от «исправлю за выходные» до «теперь понятно, почему это до сих пор не работает» — пожалуй, лучшее наглядное пособие, показывающее пропасть между кабинетной наукой и реальной инженерией.

Упрощенная модель в наших головах

Когда мы размышляем об оптимизации светофоров, воображение рисует простую картину: есть дорожный узел, куда прибывают машины, и наша цель — так настроить зеленый свет, чтобы минимизировать общее время ожидания (как в анимации выше). Хрестоматийный пример теории управления.

Существует даже математическая формула, выведенная Фрэнком Уэбстером еще в 1958 году, которая до сих пор кочует по учебникам:

где C_opt — оптимальная продолжительность цикла в секундах, L — суммарные издержки на смену фаз, Y — общая нагрузка по всем направлениям. Выглядит элегантно, теоретически обоснованно и даже работает на практике.

Беда в том, что эта формула идеально справляется лишь с изолированным перекрестком при постоянном трафике. Стоит добавить в уравнение хотя бы второй светофор, как начинается форменный хаос.

Математическая сторона: сложность есть, но корень зла не в ней

Стоит попытаться связать в единую «зеленую волну» хотя бы десяток перекрестков, как мы мгновенно упираемся в комбинаторный взрыв. Каждый отдельный светофор обладает множеством переменных (продолжительность цикла, временной сдвиг, распределение зеленого света), которые тесно связаны между собой. Изменение таймингов на одном объекте неминуемо рушит синхронизацию на соседнем. В общем виде задача координации транспортных потоков является NP-трудной. Это означает, что пространство возможных комбинаций растет по экспоненте, и найти идеальное глобальное решение для мегаполиса с тысячами перекрестков математически невозможно.

И вот тут кроется первый неожиданный поворот: сама по себе NP-сложность нас давно не пугает. Индустрия давно разработала эффективные эвристические методы, метаэвристики и приближенные алгоритмы. Более того, начиная с 1980-х годов, в крупных городах успешно функционируют адаптивные комплексы вроде британской SCOOT или австралийской SCATS, которые собирают телеметрию с индукционных датчиков в дорожном полотном и корректируют фазы «на лету».

Следовательно, качественные алгоритмы существуют. Но почему же мы все равно простаиваем на пустых перекрестках?

Неудобный вопрос: ради кого мы все это оптимизируем?

Любой инженерный проект начинается с целевой функции. Четко сформулируйте, что именно мы пытаемся минимизировать, и мы зайземся проектированием алгоритма. И вот на этом этапе дискуссия обычно заходит в тупик, поскольку приоритеты могут быть совершенно разными:

• Минимизация времени поездки на автомобиле. Отлично, но в таком случае мы ущемляем пешеходов, сокращая им зеленый свет до минимума, из-за чего пожилой человек попросту не успевает пересечь широкий проспект.

• Максимальная пропускная способность (количество машин в час). Прекрасно, но вскоре выясняется, что максимизация потока и минимизация ожидания конкретного человека противоречат друг другу.

• Снижение выбросов CO₂. Логично, ведь львиная доля вредных выбросов приходится на разгон транспорта после остановки. Однако экологический минимум далеко не всегда совпадает с временным, порой вступая с ним в жесткий конфликт.

• Приоритет общественного транспорта. В автобусе едет сорок пассажиров, в легковушке — один-два. С точки зрения пассажиропотока общественному транспорту нужен постоянный зеленый. Но для водителя, плетущегося позади автобуса, вы станете главным врагом.

• Социальная справедливость. Как вообще формализовать это понятие? Свести к минимуму максимальное время ожидания? Тогда пострадают средние показатели. Это вечная дилемма утилитаризма, перенесенная на асфальт.

Иными словами, это вовсе не техническая проблема. У понятия «идеальный светофор» нет универсального определения, поскольку нет единого мнения о том, что считать абсолютным благом. Здесь нельзя просто оптимизировать метрику — приходится выбирать, чьи интересы важнее, и закладывать этот компромисс в секунды зеленого света.

Самый неприятный сюрприз: система дает отпор

Допустим, вам удалось прийти к консенсусу по поводу целевой функции и отыскать блестящее решение. Вы разгрузили магистраль, выстроили безупречную зеленую волну. Что происходит дальше?

Автомобилисты быстро замечают, что передвигаться по этому проспекту стало комфортнее, и устремляются туда. Спустя неделю трафик возрастает ровно настолько, чтобы полностью нивелировать ваш успех. Это явление носит название индуцированного спроса.

Это одна из самых стабильных закономерностей в транспортном планировании. Экономисты Жиль Дюрантон и Мэттью Тернер вывели «фундаментальный закон дорожных заторов»: при увеличении пропускной способности дороги на X% объем трафика на ней со временем вырастает примерно на те же X%.

Не стоит забывать и про парадокс Браеса, когда введение новой дорожной инфраструктуры (или «улучшение» перекрестка) в действительности ухудшает общую дорожную ситуацию. Поскольку каждый водитель преследует исключительно личную выгоду, образующееся равновесие по Нэшу может оказаться куда хуже первоначального состояния.

В этом и заключается вся суть. Светофор — это не объект управления в привычном понимании. У нас нет пассивной системы, которой можно безоговорочно командовать. Мы имеем дело с тысячами агентов, которые подстраиваются под любые наши нововведения и неизбежно сдвигают систему в новое равновесие. Вы пытаетесь оптимизировать параметры под вчерашние реалии, но к завтрашнему дню трафик полностью адаптируется под ваши изменения. Цель постоянно ускользает, потому что она живая и реагирует на ваши действия. Теория автоматического управления такое не терпит.

И тут на сцену выходят технологии ИИ

Если перед нами игра множества адаптивных участников в среде, которую невозможно описать строгими формулами, это же идеальная сфера для обучения с подкреплением (Reinforcement Learning), не так ли? Агент, окружение, система наград, миллионы итераций и профит.

За последние годы появились сотни научных работ, авторы которых обучают RL-агентов управлять светофорными объектами, демонстрируя впечатляющие результаты в виртуальных симуляторах. Однако здесь кроется главный нюанс, о котором умалчивают рекламные проспекты. Модель, натренированная в искусственной среде, сталкивается с суровой реальностью перекрестков, где датчики периодически сбоят, а поведение живых людей разительно отличается от математических симуляций. В этот момент вся теоретическая красота рушится.

Каталог готовых ИИ-моделей

Сервис для запуска и управления LLM в облаке Selectel. Выберите модель, конфигурацию и получите готовый эндпоинт для работы с ней.

Подробнее →

Поэтому наиболее честный и успешный кейс применения искусственного интеллекта в данной сфере — это не RL-модели, напрямую управляющие перекрестками, а гораздо более приземленные инструменты, такие как Google Project Green Light.

Этот проект использует телеметрию перемещений из Google Maps, анализирует потоки машин и формирует практические советы для городских инженеров: например, сократить красный свет на четыре секунды в часы наименьшей нагрузки или синхронизировать тайминги двух соседних светофоров.

Специалист изучает эти рекомендации и принимает решение об их внедрении. Интеграция занимает считанные минуты, опирается на существующую инфраструктуру и не требует установки дополнительных датчиков. К 2026 году проект развернут примерно в двух десятках мегаполисов мира на четырех континентах — от Хайфы и Калькутты до Гамбурга и Бостона.

Заявленные показатели впечатляют: снижение количества остановок транспорта на величину до 30% и сокращение выбросов вредных веществ на участках до 10%.

И вот почему этот пример так важен для понимания сути нашей проблемы. Если изучить отзывы самих дорожных инженеров, на поверхность всплывают те самые фундаментальные ограничения, о которых шла речь выше:

• Выясняется, что столь высокие проценты напрямую зависят от исходной точки отсчета. В населенных пунктах со старыми статичными планами координации, не обновлявшимися годами, любые изменения демонстрируют ошеломляющие результаты. По сути, это просто плата за прежнюю запущенность.

• В Манчестере городские специалисты регулярно игнорируют подсказки Google. Причина проста: алгоритм, слепо нацеленный на минимизацию остановок, учитывает далеко не весь контекст.

• В Сиэтле некоторые рекомендации пришлось отменить, поскольку на практике они не принесли ощутимой пользы.

Чувствуете тенденцию? Даже передовые коммерческие ИИ-решения упираются в те же преграды: у задачи отсутствует единственная правильная целевая функция (транспортный департамент Манчестера решает немного иные задачи, чем алгоритмы Google), а прирост эффективности зачастую оказывается следствием того, что базовой настройкой системы раньше банально никто не занимался.

ИИ здесь приносит пользу, но выступает в роли квалифицированного советчика, оставляя финальное слово за человеком, который прекрасно знает, что рядом с этим перекрестком находится школа, а здесь проходит оживленный автобусный маршрут. Это, пожалуй, отличная иллюстрация того, где искусственный интеллект наиболее эффективен сегодня: «дать человеку расширенные аналитические возможности в сфере, где решения все равно принимает он».

Так в чем же кроется истинная проблема?

Вернемся к нашему исходному вопросу: почему светофоры «не поддаются оптимизации»?

Повторюсь: вовсе не из-за вычислительной сложности. NP-трудность мы успешно обходим эвристическими методами, а адаптивные комплексы существуют уже не первый десяток лет. Главная сложность кроется в отсутствии единой целевой функции. Понятие «оптимально» — это всегда компромисс между интересами водителей, пешеходов, пассажиров автобусов, экологической обстановкой и принципами справедливости.

Второй фактор — адаптивность и непредсказуемость самой среды. Индуцированный спрос и парадокс Браеса неизбежно съедают часть достигнутого эффекта из-за изменения поведения людей.

Заметьте: некоторые аспекты этой проблемы вообще не имеют отношения к программированию. Это классическая инженерная иллюзия — пытаться свести живую социотехническую систему к чистой алгоритмической задаче лишь потому, что писать код мы умеем, а вот договориться о том, чего именно мы ждем от городского пространства, пока не научились.

Как следовало ставить вопрос изначально

Корректная формулировка выглядит иначе: «давайте честно определимся, чьи интересы мы ставим во главу угла, зафиксируем это в измеримых метриках, после чего алгоритм (будь то метод Уэбстера, обучение с подкреплением или сервисы вроде Green Light) будет удерживать систему в рамках этого осознанного компромисса, заранее понимая, что горожане изменят свое поведение, и это нормально».

Возможно, это звучит не так эффектно, как «оптимизация мегаполиса с помощью нейросетей», но это правда жизни. И на мой взгляд, это куда более амбициозный инженерный вызов: создать систему, которая сохраняет работоспособность, когда цель постоянно смещается, метрики искажаются, а участники движения действуют вам наперекор.

Так что решить эту задачу за выходные точно не получится. И за год тоже. Да и само слово «решить» здесь неуместно.

P.S. Если среди наших читателей есть профессиональные транспортные инженеры, поделитесь в комментариях, в чем автор заблуждается и какие боли действительно донимают вас в реальной эксплуатации. Подозреваю, что там накопилось историй на отдельную книгу.

 

Источник