L’incubo di chiunque guidi in città nelle ore di punta non è solo il semaforo rosso, ma la coda che si allunga fino a invadere l’incrocio precedente. Quando i veicoli superano la capacità dell’intersezione, si innesca un effetto domino: il traffico si paralizza a cascata e gli algoritmi di controllo tradizionali, pensati per massimizzare il flusso, diventano ciechi di fronte al blocco imminente.

Il team di OverFlowLight ha affrontato il problema con una logica diversa: non inseguire il throughput, ma impedire attivamente che la coda si trasformi in un tappo. Il framework è stato messo alla prova su 43 incroci in tre grandi città, ottenendo risultati che sfidano le best practice consolidate.

Sensori, radar e la diagnosi prima del collasso

Il cuore tecnico di OverFlowLight è un meccanismo di rilevamento che fonde dati da telecamere e radar per identificare in tempo reale l’overflow, ovvero il momento in cui una coda di veicoli supera la capacità di contenimento dell’incrocio e inizia a ostruire le arterie a monte. La multi-modalità dei sensori non è un vezzo ingegneristico: le telecamere offrono dettaglio visivo, i radar robustezza in condizioni di scarsa illuminazione o maltempo.

Quando il sistema rileva un overflow imminente, non rinegozia l’intero ciclo semaforico, ma inserisce fasi dedicate – chiamate overflow phases – progettate per sbloccare la coda in eccesso. L’orchestrazione è affidata a un controllo ibrido: regole rapide per l’intervento di emergenza, affiancate a controller basati su reinforcement learning (RL) che ottimizzano l’efficienza di lungo periodo senza perdere di vista l’obiettivo primario, che resta la prevenzione del collasso.

Dati grezzi, meno interventi manuali

Uno dei punti deboli dei piani semaforici tradizionali – anche quelli tarati da esperti – è la necessità di continui aggiustamenti manuali quando lo scenario reale devia dalle simulazioni. OverFlowLight riduce drasticamente questa dipendenza: il sistema impara dal flusso reale e adatta il ciclo semaforico senza supervisione umana costante. Nei test sul campo, gli interventi manuali sono diminuiti sensibilmente rispetto alle configurazioni preesistenti.

I numeri riportati parlano chiaro: -60,4% di episodi di overflow e +18,2% di capacità di rete rispetto ai benchmark di produzione. Non si tratta di un miglioramento marginale, ma di un salto che può cambiare la progettazione dei sistemi di controllo del traffico su scala urbana.

Perché OverFlowLight segnala qualcosa di più ampio

Il framework è modulare per architettura: si integra con agenti RL già operativi, aggiungendo un layer di prevenzione senza stravolgere lo stack esistente. Questa caratteristica ha implicazioni che vanno oltre la viabilità. In un’epoca in cui le amministrazioni locali valutano infrastrutture connesse, la possibilità di aggiungere intelligenza predittiva a sistemi legacy – senza sostituire l’hardware già installato – cambia l’equazione economica della modernizzazione.

Per chi progetta deployment on-premise o edge (ogni incrocio diventa un nodo di calcolo che deve reagire in millisecondi), l’approccio di OverFlowLight conferma un principio: elaborare i dati vicino al punto di raccolta, fondendo sensori diversi, è la via per ottenere latenza minima e resilienza alle interruzioni di rete. AI-RADAR segue con attenzione questo tipo di architetture perché replicano, su scala urbana, le stesse decisioni di deployment che le aziende affrontano quando spostano carichi di inference dai cloud centralizzati a nodi locali: controllo diretto sui dati, riduzione della dipendenza dalla connettività e personalizzazione del modello sul dominio specifico. Per valutare i trade-off tra cloud e nodi locali, esistono framework analitici come quelli disponibili su /llm-onpremise.

Cosa cambia per chi costruisce infrastrutture resilienti

OverFlowLight non è solo un algoritmo: è un cambio di prospettiva. Invece di ottimizzare il flusso medio e sperare che i picchi si risolvano da soli, affronta il caso peggiore prima che si verifichi. La documentazione, i dataset e i video di dimostrazione sono pubblici, un gesto che accelera la replicabilità e sfida altri gruppi di ricerca a misurarsi su scenari reali.

La promessa è un sistema di trasporto che non si limita a reagire, ma anticipa. Per le città che investono in gemelli digitali e sensoristica diffusa, disporre di un framework già validato su 43 intersezioni reali riduce i tempi di adozione e offre una base concreta per scalare. L’eredità più interessante di questo lavoro è la dimostrazione che prevenire un collasso a rete è più efficiente – e più economico – che gestirlo dopo che si è già propagato.

Il codice, i dataset e i video sono disponibili all’URL anonimizzato https://anonymous.4open.science/r/OverFlowLight-FBF9.