Время водителя автомобиля помимо пробок также тратится на остановки на красный свет. Сократить это время можно с помощью Искусственного Интеллекта(ИИ). Исследователи из MIT не только сокращают время ожидания, но и заботятся об экологии. Благодаря этому изобретению, водители смогут спланировать поездку таким образом, чтобы проезжать светофор на зеленый свет.
Этого можно добиться более последовательно с помощью автономного транспортного средства с ИИ, контролирующего скорость. В новом исследовании MIT продемонстрирован подход машинного обучения, который может научиться управлять парком автономных транспортных средств: когда они приближаются к светофору, то едут через него таким образом, чтобы обеспечить бесперебойное движение.
Используя моделирование, обнаружили, что такой подход снижает расход топлива и выбросы в атмосферу. Этот метод дает наилучшие результаты, если все автомобили на дороге являются автономными, но даже если только 25% используют свой алгоритм управления, это все равно приводит к существенной экономии топлива и выбросов.
Тонкости перекрёстков
Перекрестки могут представлять собой миллиарды различных сценариев в зависимости от количества полос движения, того, как работают сигналы, количества транспортных средств и их скоростей, присутствия пешеходов и велосипедистов и т. д. Типичные подходы к решению проблем управления перекрестком используют математические модели для решения одного простого идеального перекрестка. Это выглядит хорошо на бумаге, но, скорее всего, не будет работать в реальном мире, где схемы трафика часто настолько беспорядочны, насколько это возможно.
Wu и Jayawardana подошли к проблеме, используя технику без моделей, известную как глубокое обучение с подкреплением. Обучение с подкреплением — это метод проб и ошибок, когда алгоритм управления учится принимать последовательность решений. Он вознаграждается, когда находит хорошую последовательность. При глубоком обучении с подкреплением алгоритм использует предположения, полученные нейронной сетью, чтобы найти короткие пути к хорошим последовательностям, даже если существуют миллиарды возможностей.
Но есть дополнительная деталь. Исследователи хотят, чтобы система научилась стратегии, которая снижает расход топлива и ограничивает влияние на время в пути. Эти цели могут противоречить друг другу. «Чтобы сократить время в пути, мы хотим, чтобы машина ехала быстро, но чтобы уменьшить выбросы, мы хотим, чтобы машина замедлялась или вообще не двигалась. Эти конкурирующие вознаграждения могут сбивать с толку обучающегося агента», — говорит Wu.
Хотя решить эту проблему в целом сложно, исследователи использовали обходной путь, используя технику, известную как формирование вознаграждения. С формированием вознаграждения они дают системе некоторые знания в предметной области, которые она не может изучить самостоятельно. В этом случае они наказывали систему всякий раз, когда автомобиль полностью останавливался, чтобы он научился избегать этого действия.
Тесты трафика
Алгоритм управления оценили с помощью платформы моделирования дорожного движения с одним перекрестком. Алгоритм управления применяется к парку подключенных автономных транспортных средств, которые могут связываться с предстоящим светофором, чтобы получать информацию о фазе и времени сигнала и наблюдать за своим ближайшим окружением. Алгоритм управления сообщает каждому транспортному средству, как ускоряться и замедляться.
Система не создавала остановку движения при приближении транспортных средств к перекрестку. (Движение с остановками происходит, когда автомобили вынуждены полностью останавливаться из-за остановившегося впереди движения). В симуляциях больше автомобилей прошло за одну зеленую фазу, что превзошло модель, имитирующую людей-водителей. По сравнению с другими методами оптимизации, также предназначенными для предотвращения частых остановок, их метод привел к большему расходу топлива и сокращению выбросов. Если каждое транспортное средство на дороге будет автономным, их система управления может снизить расход топлива на 18% и выбросы углекислого газа на 25% , а также повысить скорость движения на 20%.
«Единичное вмешательство, позволяющее сократить расход топлива или выбросов на 20-25 процентов, — это действительно невероятно. Но что мне кажется интересным и что я действительно надеялся увидеть, так это нелинейное масштабирование. Если мы контролируем только 25 процентов транспортных средств, это дает нам 50 % преимуществ с точки зрения сокращения расхода топлива и выбросов. Это означает, что нам не нужно ждать, пока мы доберемся до 100 % автономных транспортных средств, чтобы получить преимущества от этого подхода», — говорят авторы.
В будущем исследователи хотят изучить эффекты взаимодействия между несколькими перекрестками. Они также планируют изучить, как различные настройки перекрестков (количество полос движения, светофоры, время и т. д.) могут повлиять на время в пути, выбросы и расход топлива. Кроме того, они намерены изучить, как их система управления может повлиять на безопасность, когда автономные транспортные средства и водители-люди делят дорогу. Например, несмотря на то, что автономные транспортные средства могут водить не так, как водители-люди, более медленные дороги и дороги с более постоянной скоростью могут повысить безопасность.
Хотя эта работа все еще находится на ранней стадии, Wu считает, что этот подход может быть реализован в ближайшем будущем.
«Недавняя работа профессора Cathy Wu показывает, как эко-вождение обеспечивает единую основу для снижения расхода топлива, тем самым сводя к минимуму выбросы углекислого газа, а также дает хорошие результаты в среднем времени в пути. В частности, подход к обучению с подкреплением, применяемый в работе Wu, путем использования использование технологии подключенных автономных транспортных средств обеспечивает осуществимую и привлекательную основу для других исследователей в том же пространстве», — говорит Ozan Tonguz, профессор электротехники и вычислительной техники в CMU, который не участвовал в этом исследовании. «В целом, это очень своевременный вклад в эту растущую и важную область исследований».
