Niekam nepatinka sėdėti prie raudonos šviesos. Tačiau signalizuotos sankryžos nėra tik nedidelis nepatogumas vairuotojams; transporto priemonės sunaudoja degalus ir išskiria šiltnamio efektą sukeliančias dujas laukdamos, kol pasikeis šviesa.
O jeigu vairuotojai galėtų suplanuoti savo kelionę taip, kad į sankryžą atvyktų degant žaliai šviesai? Nors tai gali būti tik sėkminga žmogaus vairuotojo pertrauka, ją nuosekliau galima pasiekti naudojant autonominę transporto priemonę, kuri savo greičiui valdyti naudoja dirbtinį intelektą.
Naujame MIT mokslininkai atliko tyrimą. demonstruoti mašininio mokymosi metodą, kuris gali išmokti valdyti autonominių transporto priemonių parką, kai jie artėja prie sankryžos ir važiuoja per signalizuotą sankryžą taip, kad eismas vyktų sklandžiai.
Naudodami modeliavimą jie nustatė. kad jų požiūris sumažina degalų sąnaudas ir išmetamųjų teršalų kiekį, kartu pagerindamas vidutinį transporto priemonės greitį. Taikant šią techniką pasiekiami geriausi rezultatai, jei visi kelyje važiuojantys automobiliai yra autonomiški, tačiau net jei tik 25 procentai naudojasi jų valdymo algoritmu, tai vis tiek suteikia daug naudos iš kuro ir išmetamųjų teršalų.
„Tai tikrai įdomi vieta įsikišti. Nieko gyvenimas nėra geresnis, nes jie įstrigo sankryžoje. Dėl daugelio kitų klimato kaitos intervencijų tikimasi gyvenimo kokybės skirtumo, todėl yra kliūtis patekti į ją. Čia kliūtis yra daug mažesnė“, – sako vyresnioji autorė Cathy Wu, Gilbert W. Winslow karjeros plėtros asistentė Civilinės ir aplinkos inžinerijos katedroje ir Duomenų, sistemų ir visuomenės instituto (IDSS) narė. Informacijos ir sprendimų sistemų laboratorija (LIDS).
Pagrindinė tyrimo autorė yra Vindula Jayawardana, LIDS ir Elektros inžinerijos ir kompiuterių mokslo katedros magistrantė. Tyrimas bus pristatytas Europos kontrolės konferencijoje.
Sankirtos sudėtingumai
Nors žmonės gali važiuoti pro žalią šviesoforo signalą daug negalvodami, sankryžose gali atsirasti milijardai skirtingų scenarijų, priklausomai nuo eismo juostų skaičiaus, signalų veikimo, transporto priemonių skaičiaus ir jų greičio, pėsčiųjų ir dviratininkų buvimo ir kt.
Tipiški sankryžų valdymo problemų sprendimo būdai naudoja matematinius modelius, kad išspręstų vieną paprastą, idealią sankryžą. Ant popieriaus tai atrodo gerai, bet tikriausiai nepasitvirtins realiame pasaulyje, kur eismo modeliai dažnai būna tokie pat netvarkingi, kaip ir ateina.
Wu ir Jayawardana perjungė pavaras ir nusprendė išspręsti problemą. naudojant be modelio metodą, žinomą kaip gilus sustiprinimo mokymasis. Sustiprinimo mokymasis yra bandymų ir klaidų metodas, kai valdymo algoritmas išmoksta priimti sprendimų seką. Jis yra apdovanotas, kai randa gerą seką. Mokydamasis giliai sustiprindamas, algoritmas naudoja neuroninio tinklo išmoktas prielaidas, kad surastų gerų sekų nuorodas, net jei yra milijardai galimybių.
Tai naudinga sprendžiant ilgalaikę problemą. kaip šitas; valdymo algoritmas turi duoti didesnes 500 greitėjimo instrukcijas transporto priemonei per ilgą laiką, aiškina Wu.
„Ir mes turime gauti seką prieš tai, kai sužinojome, kad padarėme gerą darbą mažindami išmetamųjų teršalų kiekį ir į sankryžą patekdami geru greičiu“, – priduria ji.
Tačiau yra dar viena raukšlė. Tyrėjai nori, kad sistema išmoktų strategiją, kuri sumažintų degalų sąnaudas ir apribotų poveikį kelionės laikui. Šie tikslai gali prieštarauti.
„Siekdami sutrumpinti kelionės laiką, norime, kad automobilis važiuotų greitai, tačiau siekiant sumažinti išmetamųjų teršalų kiekį, norime, kad automobilis sulėtintų greitį arba visai nejudėtų. Tie konkuruojantys atlygiai gali labai suklaidinti besimokantįjį“, – sako Wu.
Nors sunku išspręsti šią problemą visapusiškai, tyrėjai panaudojo būdą, kaip išspręsti šią problemą. atlygio formavimas. Formuodami atlygį jie suteikia sistemai tam tikrų srities žinių, kurių ji pati negali išmokti. Šiuo atveju jie nubaudė sistemą, kai transporto priemonė visiškai sustojo, kad ji išmoktų to išvengti.
Eismo testai
Sukūrę veiksmingą valdymo algoritmą, jie įvertino jį naudodami eismo modeliavimo platformą su viena sankryža. Valdymo algoritmas taikomas sujungtų autonominių transporto priemonių parkui, kuris gali susisiekti su artėjančiais šviesoforais, kad gautų signalo fazės ir laiko informaciją bei stebėtų savo artimiausią aplinką. Valdymo algoritmas kiekvienai transporto priemonei nurodo, kaip pagreitinti ir sulėtinti greitį.
Jų sistema nesukūrė jokio sustojimo ir važiavimo eismo, kai transporto priemonės artėjo prie sankryžos. (Stop-and-go eismas vyksta, kai automobiliai yra priversti visiškai sustoti dėl sustojusio eismo priekyje). Modeliuojant daugiau automobilių įveikė vieną žalią fazę, kuri pranoko modelį, imituojantį žmones. Palyginti su kitais optimizavimo metodais, taip pat skirtais išvengti sustojimo ir eismo, jų technologija padidino degalų sąnaudas ir sumažino išmetamųjų teršalų kiekį. Jei kiekviena transporto priemonė kelyje yra autonominė, jų valdymo sistema gali sumažinti degalų sąnaudas 18 procentais ir anglies dvideginio išmetimą 20 ) proc., tuo pačiu padidinant važiavimo greitį 20 proc.
„Viena intervencija, turinti 100 iki 20 procentų sumažinti degalų kiekį arba išmetamųjų teršalų kiekį yra tikrai neįtikėtina. Tačiau tai, kas man atrodo įdomu ir tikrai tikėjausi pamatyti, yra šis nelinijinis mastelio keitimas. Jei mes valdysime tik 25 procentą transporto priemonių, tai suteiks mums 50 procentų naudos mažinant kurą ir išmetamųjų teršalų kiekį. Tai reiškia, kad mums nereikia laukti, kol pasieksime 100 procentą autonominių transporto priemonių, kad gautume naudos iš šio požiūrio“, – sako ji.
Žemyn. keliu, mokslininkai nori ištirti kelių sankryžų sąveikos poveikį. Jie taip pat planuoja ištirti, kaip skirtingos sankryžų sąrankos (juostų skaičius, signalai, laikas ir kt.) gali turėti įtakos kelionės laikui, išmetamiesiems teršalams ir degalų sąnaudoms. Be to, jie ketina ištirti, kaip jų valdymo sistema galėtų paveikti saugumą, kai keliu dalijasi autonominės transporto priemonės ir žmonės. Pavyzdžiui, nors autonominės transporto priemonės gali važiuoti kitaip nei žmonės vairuotojai, lėtesni keliai ir keliai, kurių greitis pastovesnis, gali pagerinti saugumą, sako Wu.
Nors šis darbas dar tik pradedamas, Wu mano, kad šis požiūris gali būti labiau įgyvendinamas artimiausiu metu.
„Šio darbo tikslas yra judinti tvaraus mobilumo adatą. Mes taip pat norime svajoti, bet šios sistemos yra dideli inercijos monstrai. Nustatyti įsikišimo taškus, kurie yra nedideli sistemos pakeitimai, bet turi didelį poveikį, mane priverčia atsikelti ryte“, – sako ji.
„Neseniai atliktas profesoriaus Cathy Wu darbas parodo, kaip ekologiškas vairavimas sudaro vieningą sistemą, leidžiančią sumažinti degalų sąnaudas, taip sumažinant anglies dvideginio išmetimą, o taip pat duodant gerų vidutinės kelionės trukmės rezultatų. Tiksliau sakant, Wu darbe taikomas mokymosi sustiprinimo metodas, panaudojant prijungtų autonominių transporto priemonių technologiją, yra tinkamas ir patrauklus pagrindas kitiems tyrėjams toje pačioje erdvėje“, – sako Carnegie Mellon elektros ir kompiuterių inžinerijos profesorius Ozanas Tonguzas. Universitetą, kuris nedalyvavo šiame tyrime. „Apskritai, tai labai savalaikis indėlis į šią sparčiai augančią ir svarbią mokslinių tyrimų sritį.“
Šį darbą iš dalies parėmė MIT-IBM Watson AI laboratorija .
