


MIT-Forscher nutzen KI, um selbstfahrenden Autos dabei zu helfen, den Leerlauf an roten Ampeln zu vermeiden
Was wäre, wenn Autofahrer ihre Fahrten genau so planen könnten, dass sie jedes Mal direkt über die Ampel fahren
Während dies menschlichen Fahrern nur in besonders glücklichen Fällen passieren kann, ist dies auch bei autonomen Fahrzeugen möglich, die KI nutzen Geschwindigkeitskontrolle wird stabiler umgesetzt.
In einer neuen Studie demonstrieren Wissenschaftler des Massachusetts Institute of Technology (MIT) einen Ansatz des maschinellen Lernens. Die Methode kann lernen, eine Flotte autonomer Fahrzeuge zu steuern, um den Verkehrsfluss aufrechtzuerhalten, wenn sie sich einer signalisierten Kreuzung nähern und diese passieren.
Den Simulationsergebnissen zufolge kann ihre Methode den Kraftstoffverbrauch und die Emissionen senken und gleichzeitig die durchschnittliche Fahrzeuggeschwindigkeit erhöhen. Die Technologie wird am besten funktionieren, wenn alle Autos auf der Straße autonom sind, aber selbst wenn nur 25 % der Autos ihre Steueralgorithmen nutzen, bringt sie dennoch enorme Kraftstoff- und Emissionsvorteile.
„Dies ist ein wirklich interessanter Ort, um einzugreifen. Das Leben von niemandem wird besser, weil er an einem Scheideweg festsitzt. Es gibt einen erwarteten Unterschied in der Lebensqualität, also gibt es eine Hürde Eintrag dort", sagte Cathy Wu, leitende Autorin der Studie. Es wird berichtet, dass er Gilbert W. Winslow Career Development Assistant Professor in der Abteilung für Bau- und Umweltingenieurwesen sowie Mitglied des Institute for Data, Systems and Society (IDSS) und des Laboratory of Information and Decision Systems (LIDS) ist.
LIDS und Vindula Jayawardana, eine Doktorandin im Fachbereich Elektrotechnik und Informatik, sind beide Erstautoren der Studie. Die Forschungsergebnisse werden auf der European Control Conference vorgestellt.
Komplizierte Kreuzungen
Während Menschen ohne nachzudenken über eine grüne Ampel fahren, können Kreuzungen in Milliarden verschiedener Situationen auftreten, abhängig von der Anzahl der Fahrspuren, der Funktionsweise der Ampeln, der Anzahl und Geschwindigkeit der Fahrzeuge sowie der Anwesenheit von Fußgängern und Radfahrern , usw.
Der typische Ansatz zur Lösung von Kreuzungskontrollproblemen besteht darin, ein mathematisches Modell zur Lösung einer einfachen, idealen Kreuzung zu verwenden. Auf dem Papier sieht das gut aus, aber in der realen Welt, wo die Verkehrsströme oft chaotisch sind, wird es wahrscheinlich nicht Bestand haben.
Wu und Jayawardana haben aus einem anderen Blickwinkel darüber nachgedacht. Sie verwendeten eine modellfreie Technologie namens Deep Reinforcement Learning, um dieses Problem zu lösen. Reinforcement Learning ist eine Trial-and-Error-Methode, bei der ein Steuerungsalgorithmus lernt, eine Reihe von Entscheidungen zu treffen. Wenn es eine gute Sequenz findet, wird es belohnt. Beim Deep Reinforcement Learning nutzen Algorithmen von neuronalen Netzen erlernte Hypothesen, um Abkürzungen zu guten Sequenzen zu finden – selbst wenn es Milliarden von Möglichkeiten gibt.
Dies ist nützlich, um langfristige Probleme wie dieses zu lösen. Wu wies darauf hin, dass der Steueralgorithmus über einen langen Zeitraum mehr als 500 Beschleunigungsbefehle an das Fahrzeug erteilen muss. Außerdem fügte sie hinzu: „Und wir müssen die Reihenfolge richtig hinbekommen, bevor wir wissen, dass wir die Emissionen gut gemindert haben und mit einem guten Tempo am Scheideweg sind.
Hier gibt es jedoch ein Problem, und das ist, dass die Forscher das ermöglichen wollen.“ System, um eine Strategie zur Reduzierung des Kraftstoffverbrauchs und zur Begrenzung der Auswirkungen auf die Reisezeit zu erlernen. Diese Ziele können im Widerspruch zueinander stehen.
„Um die Reisezeit zu verkürzen, möchten wir, dass das Auto schnell fährt, aber um die Emissionen zu reduzieren, möchten wir, dass das Auto langsamer wird oder sich überhaupt nicht bewegt. Diese konkurrierenden Belohnungen können für den Lernenden sehr verwirrend sein“, sagte Wu.
Während es schwierig ist, dieses allgemeine Problem zu lösen, verwendeten die Forscher eine Technik namens Belohnungsformung, um es zu umgehen. Durch die Gestaltung von Belohnungen geben sie dem System Domänenwissen, das es nicht alleine erlernen kann. In diesem Fall bestrafen sie das System bei jedem vollständigen Stillstand des Fahrzeugs, damit es lernt, dieses Verhalten zu vermeiden.
VERKEHRSTESTS
Sobald Forscher einen wirksamen Steuerungsalgorithmus entwickelt haben, bewerten sie ihn mithilfe einer Verkehrssimulationsplattform mit einer einzigen Kreuzung. Der Steueralgorithmus wird auf eine Flotte vernetzter autonomer Fahrzeuge angewendet, die mit kommenden Ampeln kommunizieren können, um Phasen- und Zeitinformationen von den Ampeln zu empfangen und ihre Umgebung zu beobachten. Der Steueralgorithmus teilt jedem Fahrzeug mit, wie es beschleunigen und abbremsen soll.
Ihr System verursachte keinen Stop-and-Go-Verkehr, als sich das Fahrzeug der Kreuzung näherte. In der Simulation passierten während einer einzelnen Grünlichtphase mehr Autos als ein Modell, das einen menschlichen Fahrer simulierte. Im Vergleich zu anderen Optimierungsmethoden, die ebenfalls auf die Vermeidung von Stop-and-Go-Verkehr abzielen, führte ihre Technologie zu einem höheren Kraftstoffverbrauch und einer Reduzierung der Emissionen. Wenn jedes Auto auf der Straße autonom wäre, könnten ihre Steuerungssysteme den Kraftstoffverbrauch um 18 % und die CO2-Emissionen um 25 % senken und gleichzeitig 20 % schneller fahren.
Wu sagte: „Es ist wirklich unglaublich, durch einen Eingriff eine Reduzierung des Kraftstoffverbrauchs oder der Emissionen um 20 % bis 25 % zu erzielen. Was ich jedoch interessant finde und was ich wirklich sehen möchte, ist dieses Nichtlinearitätsverhältnis.“ Wir kontrollieren nur 25 % der Fahrzeuge, das bedeutet, dass wir nicht warten müssen, bis wir 100 % autonome Fahrzeuge erreichen, um von diesem Ansatz zu profitieren 🎜#Als nächstes wollen die Forscher die interaktiven Effekte zwischen mehreren Kreuzungen untersuchen. Darüber hinaus planen sie zu untersuchen, wie sich unterschiedliche Kreuzungseinstellungen wie Anzahl der Fahrspuren, Ampeln, Timing usw. auf Fahrzeiten, Emissionen und Kraftstoffverbrauch auswirken. Darüber hinaus planen sie zu untersuchen, wie sich ihre Steuerungssysteme auf die Sicherheit auswirken, wenn autonome Fahrzeuge die Straße mit menschlichen Fahrern teilen.
Während sich diese Arbeit noch in einem frühen Stadium befindet, glaubt Wu, dass dieser Ansatz in naher Zukunft praktikabler umsetzbar sein könnte.
Das obige ist der detaillierte Inhalt vonMIT-Forscher nutzen KI, um selbstfahrenden Autos dabei zu helfen, den Leerlauf an roten Ampeln zu vermeiden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Das Deep-Reinforcement-Learning-Team des Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften hat zusammen mit Li Auto und anderen ein neues Closed-Loop-Planungsframework für autonomes Fahren vorgeschlagen, das auf dem multimodalen großen Sprachmodell MLLM basiert – PlanAgent. Bei dieser Methode werden die Szene aus der Vogelperspektive und diagrammbasierte Textaufforderungen als Eingabe betrachtet. Dabei werden die Fähigkeiten des multimodalen Verständnisses und des gesunden Menschenverstandes des multimodalen großen Sprachmodells genutzt, um hierarchische Überlegungen vom Szenenverständnis bis zur Generierung durchzuführen von horizontalen und vertikalen Bewegungsanweisungen und generieren Sie außerdem die vom Planer benötigten Anweisungen. Die Methode wird im groß angelegten und anspruchsvollen nuPlan-Benchmark getestet und Experimente zeigen, dass PlanAgent sowohl in regulären als auch in Long-Tail-Szenarien eine State-of-the-Art-Leistung (SOTA) erreicht. Im Vergleich zu herkömmlichen LLM-Methoden (Large Language Model) bietet PlanAgent
