Dzięki sztucznej inteligencji pojazdy autonomiczne będą miały zieloną falę

W nowym badaniu naukowcy z MIT prezentują metodę uczenia maszynowego, która potrafi tak kontrolować pojazdy autonomiczne, aby miały one zieloną falę. W całym pomyśle chodzi o to, aby samochody jeździły płynnie i nie zatrzymywały się na czerwonym, co pozwoli zmniejszyć zużycie paliwa i szkodliwe emisje.

Korzystając z symulacji, naukowcy odkryli, że ich podejście zmniejsza zużycie paliwa i emisję spalin przy jednoczesnej poprawie średniej prędkości pojazdu. Technika ta daje najlepsze wyniki, jeśli wszystkie samochody na drodze są autonomiczne, ale nawet jeśli tylko 25% z nich korzysta z tej technologii, to i tak przynosi to znaczne korzyści w zakresie zużycia paliwa i zmniejszenia emisji.

To naprawdę interesujący obszar do wprowadzenia zmian. Życie nikogo nie stanie się lepsze, ponieważ utknął na skrzyżowaniu. W przypadku wielu innych pomysłów związanych ze zmianami klimatu oczekuje się różnicy w jakości życia, więc istnieje bariera wejścia. Tutaj ta bariera jest znacznie niższa – mówi Cathy Wu, starszy autor badania, profesor Gilbert W. Winslow Career Development Assistant na Wydziale Inżynierii Lądowej i Środowiska, członek Institute for Data, Systems, and Society (IDSS) oraz Laboratory for Information and Decision Systems (LIDS).

Główną autorką jest Vindula Jayawardana, studentka studiów magisterskich w LIDS oraz na Wydziale Elektrotechniki i Informatyki.

Pojazdy autonomiczne będą myśleć strategicznie

W typowym podejściu do rozwiązywania problemów sterowania skrzyżowaniami stosuje się modele matematyczne do rozwiązania jednego prostego, idealnego skrzyżowania. Wygląda to dobrze na papierze, ale prawdopodobnie nie sprawdzi się w rzeczywistym świecie, gdzie schematy ruchu są często bardzo chaotyczne.

Wu i Jayawardana zmieniły podejście do problemu, stosując technikę bez użycia modeli, znaną jako głębokie uczenie wzmacniające. Uczenie przez wzmocnienie to metoda prób i błędów, w której algorytm sterujący uczy się podejmować sekwencję decyzji. Gdy znajdzie dobrą sekwencję, jest nagradzany. W przypadku głębokiego uczenia wzmacniającego algorytm wykorzystuje założenia poznane przez sieć neuronową, aby znaleźć skróty do dobrych sekwencji, nawet jeśli istnieją miliardy możliwości.

Jest to przydatne przy rozwiązywaniu problemów o długim horyzoncie czasowym; algorytm sterowania musi wydać pojazdowi nawet 500 instrukcji przyspieszenia w dłuższym okresie czasu – wyjaśnia Wu.

Musimy odpowiednio dobrać sekwencję, aby mieć pewność, że udało nam się ograniczyć emisję spalin i dojechać do skrzyżowania z odpowiednią prędkością – dodaje.

Ale jest jeszcze jeden problem. Naukowcy chcą, aby system nauczył się strategii, która zmniejszy zużycie paliwa i ograniczy wpływ na czas podróży. Cele te mogą być sprzeczne.

Aby skrócić czas podróży, chcemy, aby samochód jechał szybko, ale aby ograniczyć emisję spalin, chcemy, aby zwolnił lub w ogóle się nie poruszał. Te konkurujące ze sobą elementy mogą być bardzo mylące dla uczącej się sztucznej inteligencji – mówi Wu.

Po opracowaniu skutecznego algorytmu sterowania przeprowadzono jego ocenę na platformie symulacji ruchu drogowego z jednym skrzyżowaniem. Algorytm sterowania zastosowano co całej floty samochodów, które mogą komunikować się ze zbliżającymi się sygnalizatorami, aby otrzymywać informacje o fazach i czasie nadawania sygnałów oraz obserwować swoje bezpośrednie otoczenie. Algorytm sterowania instruuje pojazdy autonomiczne, jak mają przyspieszać i zwalniać.

Ograniczenie zużycia paliwa nawet o 18%

W symulacjach więcej samochodów przejechało przez skrzyżowanie w ciągu jednej fazy zielonej, co przewyższyło wyniki modelu symulującego pracę kierowców. W porównaniu z innymi metodami optymalizacji, również mającymi na celu unikanie zatrzymywania się i ruszania z miejsca, nowe podejście pozwoliło na większe ograniczenie zużycia paliwa i zmniejszenie emisji. Gdyby każdy pojazd na drodze był autonomiczny, ich system sterowania mógłby zmniejszyć zużycie paliwa o 18%, a emisję dwutlenku węgla o 25%, jednocześnie zwiększając średnią prędkość jazdy o 20%.

Autonomiczne pojazdy Waymo w Arizonie

W przyszłości naukowcy chcą sprawdzić efekty interakcji pomiędzy wieloma skrzyżowaniami. Planują także zbadanie, w jaki sposób różne konfiguracje skrzyżowań (liczba pasów ruchu, sygnalizacja, czasy itd.) mogą wpływać na czas podróży, emisję spalin i zużycie paliwa przez pojazdy autonomiczne. Chcą też wiedzieć, jak ich system sterowania może wpłynąć na bezpieczeństwo w sytuacji, gdy pojazdy autonomiczne i kierowcy będą wspólnie korzystać z dróg.

Źródło: Techxplore