Az AI segít a vezetőknek elkerülni az alapjáratot piros lámpánál, és csökkenti a szén-dioxid-kibocsátást
A piros lámpánál várakozás nem csak kellemetlen, hanem környezetszennyező is, mivel a járművek ezalatt is üzemanyagot fogyasztanak és üvegház hatású gázokat bocsátanak ki.
Mi lenne, ha az autósok úgy tudnák időzíteni a haladásukat, hogy mindig zöld jelzésnél érkezzenek a lámpához? Egy emberi sofőrnél ez inkább szerencse kérdése, de egy autonóm járművel meg lehetne valósítani, mesterséges intelligenciát használva a sebesség szabályozására.
Egy új tanulmányban az MIT kutatói egy olyan gépi tanulási megközelítést mutatnak be, amely képes megtanulni úgy irányítani az autonóm járművek flottáját, hogy azok úgy közelítsék meg a lámpás kereszteződéseket és haladjanak át rajtuk, hogy a forgalom zökkenőmentes legyen.
Szimulációk segítségével megállapították, hogy megközelítésük csökkenti az üzemanyag-fogyasztást és a károsanyag-kibocsátást, miközben javítja a jármű átlagos sebességét. A technika akkor éri el a legjobb eredményeket, ha az úton közlekedő autók mindegyike autonóm, de még ha csak 25 százalékuk használja is az irányítási algoritmust, akkor is jelentős üzemanyag- és károsanyag-kibocsátási előnyök várhatók.
„Ez egy igazán érdekes beavatkozási pont. Senkinek sem lesz jobb az élete attól, mert elakadt egy kereszteződésben. Sok más éghajlat-változási beavatkozásnál életminőségbeli különbség várható, tehát ott van egy ellenállás. Itt az akadály sokkal alacsonyabb” – mondja Cathy Wu vezető szerző, Gilbert W. Winslow karrierfejlesztési adjunktusa az Építőmérnöki és Környezetmérnöki Tanszéken, valamint az Institute for Data, Systems és Society (IDSS) és az Információs és döntési rendszerek laboratóriumának (LIDS) tagja.
A tanulmány vezető szerzője Vindula Jayawardana, a LIDS és a Villamosmérnöki és Számítástechnikai Tanszék végzős hallgatója. A kutatást az Európai Ellenőrzési Konferencián mutatják be.
Bár az emberek áthaladhatnak a zöld jelzésen különösebb gondolkodás nélkül, a kereszteződések milliárdnyi különböző helyzetet állíthatnak elő a sávok számától, a jelzések működési módjától, a járművek számától és sebességétől, a gyalogosok és kerékpárosok jelenlététől, stb. függően.
A kereszteződés-szabályozási problémák megoldásának tipikus megközelítései matematikai modelleket használnak egyetlen egyszerű, ideális kereszteződés megoldására. Ez papíron jól néz ki, de valószínűleg nem állja meg a helyét a való világban, ahol a forgalmi minták gyakran rendetlenek.
Wu és Jayawardana egy modellmentes technikát alkalmazva közelítette meg a problémát, amelyet mély megerősítő tanulásnak neveznek. A megerősítő tanulás egy próba és hibázás módszer, ahol a vezérlőalgoritmus megtanul meghozni egy sor döntést. A helyes döntéssorozatot megjutalmazzák. A mély megerősítéses tanulással az algoritmus a neurális hálózat által tanult feltevésekre támaszkodik, hogy parancsikonokat találjon a jó sorozatokhoz, még akkor is, ha lehetőségek milliárdjai vannak.
Ez hasznos egy ilyen hosszú távú probléma megoldásához; a vezérlő algoritmusnak akár 500 gyorsítási utasítást kell kiadnia egy járműnek hosszabb időn keresztül, magyarázza Wu.
„És meg kell találnunk a megfelelő sorrendet, ahhoz, hogy jó munkát végezzünk a károsanyag-kibocsátás mérséklése és a kereszteződés megfelelő sebességű elérése érdekében” – teszi hozzá.
De van egy további nehézség. A kutatók azt szeretnék, ha a rendszer egy olyan stratégiát tanulna, amely csökkenti az üzemanyag-fogyasztást, de korlátozza az utazási időre gyakorolt hatást. Ezek a célok egymásnak ellentmondhatnak.
„Az utazási idő csökkentése érdekében azt akarjuk, hogy az autó gyorsan menjen, de a károsanyag-kibocsátás csökkentése érdekében azt szeretnénk, hogy az autó lassítson, vagy egyáltalán ne mozduljon. Ezek a versengő célok nagyon megzavarhatják a tanuló rendszert” – mondja Wu.
Noha nehéz ezt a problémát a maga teljességében megoldani, a kutatók a jutalom alakításnak nevezett technikát alkalmazták. A jutalom alakításával olyan tartományi tudást adnak a rendszernek, amelyet az önmagában nem képes megtanulni. Ebben az esetben minden alkalommal megbüntették a rendszert, amikor a jármű teljesen megállt, hogy megtanulja elkerülni ezt a műveletet.
Miután kifejlesztettek egy hatékony vezérlési algoritmust, azt egy egyetlen kereszteződéssel rendelkező forgalomszimulációs platform segítségével értékelték ki. A vezérlési algoritmust összekapcsolt autonóm járművek flottájára alkalmazzák, amelyek képesek kommunikálni a közelgő közlekedési lámpákkal, hogy megkapják a jelzés fázisát és időzítését, és megfigyeljék a közvetlen környezetüket. A vezérlő algoritmus megmondja minden járműnek, hogyan kell gyorsítani és lassítani.
Rendszerük nem hozott létre stop-and-go forgalmat, amikor a járművek közeledtek a kereszteződéshez. (Stop-and-go forgalom akkor fordul elő, amikor az autók teljesen leállni kényszerülnek az előttük álló forgalom miatt). A szimulációk során több autó jutott át egyetlen zöld fázisban, ami felülmúlta az emberi vezetőket szimuláló modellt. Más optimalizálási módszerekkel összehasonlítva, amelyeket szintén a stop-and-go forgalom elkerülésére terveztek, technikájuk nagyobb üzemanyag-fogyasztás és károsanyag-kibocsátás csökkenést eredményezett. Ha az úton minden jármű autonóm, vezérlőrendszerük 18 százalékkal csökkentheti az üzemanyag-fogyasztást és 25 százalékkal a szén-dioxid-kibocsátást, miközben 20 százalékkal növeli a haladási sebességet.
„Egyetlen beavatkozás, amely 20-25 százalékkal csökkenti az üzemanyagfogyasztást vagy a károsanyag-kibocsátást, valóban hihetetlen. De amit érdekesnek találok, és nagyon reméltem, hogy látni fogom, az a nemlineáris skálázás. Ha csak a járművek 25 százalékát irányítjuk, akkor az üzemanyag- és károsanyag-kibocsátás csökkentés 50 százalékát biztosítjuk. Ez azt jelenti, hogy nem kell megvárnunk, amíg elérjük a 100 százalékban autonóm járműveket, hogy kihasználjuk ezt a megközelítést” – mondja.
Az utakon a kutatók több kereszteződés közötti interakciós hatásokat szeretnék tanulmányozni. Azt is tervezik, hogy megvizsgálják, hogy a különböző kereszteződések (sávok száma, jelzések, időzítések stb.) hogyan befolyásolhatják az utazási időt, a károsanyag-kibocsátást és az üzemanyag-fogyasztást. Ezenkívül azt kívánják tanulmányozni, hogy vezérlőrendszerük hogyan befolyásolhatja a biztonságot, amikor autonóm járművek és emberi vezetők osztoznak az úton. Például annak ellenére, hogy az autonóm járművek másként vezethetnek, mint az emberi vezetők, a lassabb utak és az egyenletesebb sebességű utak javíthatják a biztonságot, mondja Wu.
Noha ez a munka még csak a kezdeti szakaszban van, Wu úgy látja, hogy ez a megközelítés rövidtávon megvalósíthatóbb.
Forrás: The Brighter Side
