Penyelidik MIT menggunakan AI untuk membantu kereta pandu sendiri mengelakkan melahu di lampu merah

Bagaimana jika pemandu boleh menjadualkan perjalanan mereka dengan tepat supaya mereka melalui lampu isyarat setiap kali

Walaupun ini mungkin berlaku untuk pemandu manusia Ia berlaku? dalam keadaan yang sangat bertuah, tetapi ia juga boleh dicapai dengan lebih stabil oleh kenderaan autonomi yang menggunakan AI untuk mengawal kelajuan mereka.

Dalam kajian baharu, saintis di Massachusetts Institute of Technology (MIT) menunjukkan pendekatan pembelajaran mesin. Kaedah ini boleh belajar mengawal kumpulan kenderaan autonomi untuk memastikan trafik mengalir semasa mereka menghampiri dan melalui persimpangan bertanda.

Menurut hasil simulasi, kaedah mereka boleh mengurangkan penggunaan bahan api dan pelepasan sambil meningkatkan purata kelajuan kenderaan. Teknologi ini akan berfungsi dengan baik jika semua kereta di jalan raya adalah autonomi, tetapi walaupun hanya 25% daripada kereta menggunakan algoritma kawalan mereka, ia masih akan membawa manfaat bahan api dan pelepasan yang besar.

“Ini adalah tempat yang sangat menarik untuk campur tangan, kehidupan sesiapa pun tidak akan menjadi lebih baik kerana mereka terperangkap di persimpangan terdapat jangkaan dalam banyak perubahan kualiti hidup yang lain halangan untuk masuk ke sana," kata Cathy Wu, pengarang kanan kajian itu. Dilaporkan bahawa beliau ialah Penolong Profesor Pembangunan Kerjaya Gilbert W. Winslow di Jabatan Kejuruteraan Awam dan Alam Sekitar dan ahli Institut Data, Sistem dan Masyarakat (IDSS) dan Makmal Sistem Maklumat dan Keputusan (LIDS).

LIDS dan Vindula Jayawardana, pelajar siswazah di Jabatan Kejuruteraan Elektrik dan Sains Komputer, kedua-duanya adalah pengarang pertama kajian itu. Penyelidikan itu akan dibentangkan di Persidangan Kawalan Eropah.

Persimpangan Rumit

Walaupun manusia mungkin memandu melalui lampu hijau tanpa berfikir, persimpangan boleh berlaku dalam berbilion-bilion situasi berbeza bergantung pada bilangan lorong, mod operasi isyarat, bilangan dan kelajuan kenderaan, kehadiran pejalan kaki dan penunggang basikal, dsb.

Pendekatan tipikal untuk menyelesaikan masalah kawalan persimpangan ialah menggunakan model matematik untuk menyelesaikan persimpangan yang mudah dan ideal. Ini kelihatan bagus di atas kertas, tetapi kemungkinan besar tidak akan berlaku di dunia nyata, di mana corak trafik selalunya huru-hara.

Wu dan Jayawardana memikirkannya dari sudut lain Mereka menggunakan teknik bebas model yang dipanggil pembelajaran tetulang mendalam untuk menangani masalah ini. Pembelajaran pengukuhan ialah kaedah percubaan dan kesilapan di mana algoritma kawalan belajar untuk membuat satu siri keputusan. Apabila ia mendapati urutan yang baik ia diberi ganjaran. Dengan pembelajaran pengukuhan yang mendalam, algoritma menggunakan hipotesis yang dipelajari oleh rangkaian saraf untuk mencari jalan pintas ke urutan yang baik—walaupun terdapat berbilion-bilion kemungkinan.

Ini berguna untuk menyelesaikan masalah jangka panjang seperti ini. Wu menegaskan bahawa algoritma kawalan mesti mengeluarkan lebih daripada 500 arahan pecutan kepada kenderaan dalam jangka masa yang panjang. Selain itu, dia menambah: "Dan kita perlu mendapatkan urutan yang betul sebelum kita tahu bahawa kita telah mengurangkan pelepasan dengan baik dan berada di persimpangan dengan kadar yang baik mahu sistem mempelajari strategi untuk mengurangkan penggunaan bahan api dan mengehadkan kesan ke atas masa perjalanan. Matlamat ini mungkin bercanggah antara satu sama lain.

"Untuk mengurangkan masa perjalanan, kami mahu kereta memandu laju, tetapi untuk mengurangkan pelepasan, kami mahu kereta itu perlahan atau tidak bergerak langsung. Ganjaran yang bersaing ini boleh menjadi sangat mengelirukan bagi ejen pembelajaran, "kata Wu.

Walaupun menyelesaikan umum masalah ini adalah mencabar, para penyelidik menggunakan teknik yang dipanggil pembentukan ganjaran untuk mengatasinya. Melalui pembentukan ganjaran, mereka memberikan sistem beberapa pengetahuan domain yang tidak dapat dipelajari sendiri. Dalam kes ini, mereka menghukum sistem setiap kali kenderaan berhenti sepenuhnya supaya ia belajar untuk mengelakkan tingkah laku ini.

Ujian Trafik

Setelah penyelidik membangunkan algoritma kawalan yang berkesan, mereka menilainya menggunakan platform simulasi trafik dengan satu persimpangan. Algoritma kawalan digunakan pada kumpulan kenderaan autonomi rangkaian yang boleh berkomunikasi dengan lampu isyarat akan datang untuk menerima fasa dan maklumat masa daripada lampu dan memerhati persekitarannya. Algoritma kawalan memberitahu setiap kenderaan cara memecut dan memecut.

Sistem mereka tidak menyebabkan sebarang lalu lintas berhenti dan pergi semasa kenderaan menghampiri persimpangan. Dalam simulasi, lebih banyak kereta melepasi semasa satu fasa lampu hijau berbanding model yang mensimulasikan pemandu manusia. Jika dibandingkan dengan kaedah pengoptimuman lain yang juga bertujuan untuk mengelakkan lalu lintas berhenti-dan-pergi, teknologi mereka menghasilkan pengurangan yang lebih besar dalam penggunaan bahan api dan pelepasan. Jika setiap kereta di jalan raya adalah autonomi, sistem kawalan mereka boleh mengurangkan penggunaan bahan api sebanyak 18% dan pelepasan CO2 sebanyak 25%, sambil memandu 20% lebih laju.

Wu berkata: "Sungguh luar biasa untuk mempunyai 20% hingga 25% pengurangan bahan api atau pelepasan daripada satu campur tangan tetapi apa yang saya rasa menarik, dan apa yang saya benar-benar ingin lihat, adalah skala tidak linear ini kami hanya mengawal 25% kenderaan, ini memberi kami faedah pengurangan bahan api dan pelepasan 50% Ini bermakna kami tidak perlu menunggu sehingga kami mencapai 100% kenderaan autonomi untuk mendapat manfaat daripada pendekatan ini."

Seterusnya, penyelidik berharap untuk mengkaji kesan interaktif antara pelbagai persimpangan. Selain itu, mereka merancang untuk meneroka cara tetapan persimpangan yang berbeza seperti bilangan lorong, lampu, pemasaan, dll. mempengaruhi masa perjalanan, pelepasan dan penggunaan bahan api. Selain itu, mereka merancang untuk mengkaji bagaimana sistem kawalan mereka memberi kesan kepada keselamatan apabila kenderaan autonomi berkongsi jalan dengan pemandu manusia.

Walaupun kerja ini masih di peringkat awal, Wu percaya pendekatan ini lebih sesuai untuk dilaksanakan dalam masa terdekat.

Atas ialah kandungan terperinci Penyelidik MIT menggunakan AI untuk membantu kereta pandu sendiri mengelakkan melahu di lampu merah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!