Městské samosprávy masivně investují do dopravních senzorů, propojených kamer a monitorovacích platforem, aby lépe porozuměly provozu na svých silničních sítích. Samotné shromažďování větších objemů dat však automaticky nevede ke zlepšení řízení dopravy. Skutečná výzva spočívá v přeměně získaných poznatků v konkrétní opatření, která operátorům pomohou efektivně reagovat na mimořádné události, zvládat zácpy a zvyšovat bezpečnost.

Článek v odborném periodiku Cities Today, jehož autorem je Mandar Chincholkar, generální ředitel divize Smart Transportation Edge AI ve společnosti Intel, popisuje tuto novou fázi jako budování kognitivní infrastruktury. Dopravní systémy by neměly pouze pasivně hlásit aktuální stav, ale měly by dokázat rozpoznat rozvíjející se vzorce, předvídat možné následky a pomáhat operátorům zasáhnout ještě předtím, než se situace vyhrotí.

Typickým příkladem je šíření dopravní zácpy z jedné křižovatky na několik sousedních uzlů. Tradiční monitorování dokáže odhalit rostoucí kolony, avšak pokročilý integrovaný systém dokáže vyhodnotit pravděpodobný vývoj zácpy a navrhnout odpovídající úpravu signálních plánů na semaforech. Podobně může propojení předpovědi dešťových srážek s historickými daty o záplavách a aktuálním provozu umožnit včasné odklonění dopravy ještě předtím, než se riziková silnice stane zcela neprůjezdnou.

Klíčový prvek nového přístupu představuje zpracování informací přímo v místě jejich vzniku. Umělá inteligence v rámci výpočtů na okraji sítě (edge computing) dokáže analyzovat data z kamer a senzorů v blízkosti křižovatek, čímž snižuje závislost na odesílání každého zjištění do centrálního cloudu před zahájením reakce. Cloudová infrastruktura si však ponechává svou roli pro celkovou analytiku a koordinaci, takže hlavní výzvou zůstává správné rozdělení úkolů mezi lokální zařízení a centrální server.

Společnost Intel v této oblasti spolupracuje s dopravními úřady i výzkumnými organizacemi v USA a Evropě. Mezi konkrétní projekty patří analýza propojených koridorů v texaském Austinu, prioritizace signálů pro vozidla záchranných složek v kalifornském okrese Santa Clara nebo výzkumný projekt se švédským centrem AstaZero, který zkoumá kombinaci videoanalytiky s vizuálně-jazykovými a velkými jazykovými modely pro získání hlubšího kontextu.

Tento přístup zároveň nabízí způsob, jak rozšířit schopnosti stávající infrastruktury. Pokročilé metody zpracování obrazu mohou zvýšit kvalitu výstupů z kamer s nižším rozlišením, což umožňuje přidávat nové funkce bez nutnosti kompletní výměny všech fyzických zařízení u silnic.

Lidský dohled však zůstává klíčový. Umělá inteligence sice dokáže upozornit na rozvíjející se incident a prioritně nabídnout relevantní záběry z kamer, konečné rozhodnutí ale nadále leží na operátorech. To je zásadní zejména v situacích, kdy přijatá opatření ovlivňují průjezd záchranářů nebo plynulost dopravy napříč více křižovatkami.

Pro města, která plánují investice do dopravních systémů na nadcházející desetiletí, z toho vyplývá jasné doporučení: neposuzovat technologie jako izolovaná čidla. Cílem je budovat rozvíjitelnou infrastrukturu, která dokáže propojovat informace z různých zdrojů a podporovat kvalifikovaná rozhodnutí napříč celou silniční sítí.

Více informací o tématu najdete zde.

Celý článek najdete zde.

CHINCHOLKAR, Mandar. Why sensing traffic is no longer enough. Cities Today [online]. 13. října 2026 [cit. 2026-10-21]. Dostupné z: https://cities-today.com/industry/why-sensing-traffic-is-no-longer-enough/

Obrázek: ChatGPT