Semafor koji uči sam.
Elcom je razvio dve metode veštačke inteligencije koje svake sekunde odlučuju da li da produže trenutnu zelenu fazu ili pređu na sledeću — dok bezbednost ostaje definisana signalnim planom. Obe su testirane u kalibrisanim SUMO simulacionim modelima dve stvarne raskrsnice, u Kragujevcu i Beogradu.
Poredi broj vozila u trakama aktivnih i konfliktnih faza i, na osnovu 25 pravila koja je napisao inženjer, odlučuje da li da produži trenutnu fazu ili pređe na sledeću.
Rezultat: 5–8 % manji vremenski gubici od baznog algoritma, u svakom satu.
Specijalna arhitektura neuronske mreže svake sekunde analizira stanje svih traka i odlučuje: produži ili prekini trenutnu fazu. Automatski se obučava unutar simulacije.
Rezultat: danju 7–12 % manji vremenski gubici od baznog algoritma.
Kalibrisan SUMO model, prosek 10 ponavljanja.
Transformer je učio isključivo na jednom trening zahtevu (2.715 voz/h, obim se u svakoj epizodi slučajno menjao od 0,05 do 2×). Najbolji je bio u tri stvarna sata koje nikada nije video. Na drugoj raskrsnici, u Beogradu (Bulevar Vudroa Vilsona / Nikolaja Kravcova), ponovo obučen sa 24 umesto 8 ulaznih parametara, najbolji je noću (35 % manji gubici u odnosu na bazni algoritam), u popodnevnom vršnom satu i u saturaciji (31 %).
Učenje podsticanjem (PPO): oko 4.300 ciklusa učenja, približno 15 sati autonomnog rada računara. Sistem bira samo trenutak prelaska iz faze u fazu. Potrebno: detektor na svakoj traci i dobar SUMO model.
Svi rezultati potiču iz kalibrisanih SUMO simulacionih modela; prosečni vremenski gubici po vozilu, 10 ponavljanja.
