蓋世汽車訊 據外媒報道，麻省理工學院（MIT）的研究人員在一項新研究中展示了一種機器學習方法。該方法可以學習控制自動駕駛車隊，使車隊在接近并通過帶有信號燈的十字路口時，能夠順暢行駛。

圖片來源：麻省理工學院

通過仿真，研究人員發現他們的機器學習方法可以減少燃料消耗和排放，同時提高平均車速。如果道路上的所有汽車都是自動駕駛的，該技術可實現最佳效果。但即使只有25%的汽車是自動駕駛汽車，通過使用該全新控制算法仍然會帶來可觀的燃料和排放效益。

十字路口錯綜復雜

雖然人類可能會不經思考就通過十字路口的綠燈，但根據車道的數量、信號的運行方式、車輛的數量及其速度、行人和騎自行車的人的存在等，十字路口可能會出現數十億種不同的場景。

解決十字路口控制問題的典型方法是使用數學模型來解決一個簡單、理想的十字路口。但該方法在現實世界中可能不會成立，因為交通模式通常非常混亂。

資深作者、土木與環境工程系Gilbert W. Winslow職業發展助理教授Cathy Wu和 研究主要作者、電氣工程與計算機科學系的研究生Vindula Jayawardan使用一種深度強化學習（deep reinforcement learning）的無模型技術解決了這個問題。強化學習是一種試錯法，可使控制算法學習做出一系列決策。當找到一個好的序列時，算法就會得到獎勵。通過深度強化學習，該算法利用神經網絡學習的假設可找到良好序列的捷徑，即使存在數十億種可能性。

Wu解釋說該技術對于解決長期問題很有用，如控制算法必須在很長一段時間內向車輛發出超過500條加速指令。此外，研究人員希望該系統能夠學習一種減少燃料消耗并限制對旅行時間影響的策略。這些目標可能是相互矛盾的。

雖然要全面解決這個問題具有挑戰性，但研究人員采用了一種稱為獎勵塑造（reward shaping）的技術，可為系統提供了一些無法自行學習的領域知識。在這種情況下，只要車輛完全停止，研究人員就會對系統進行懲罰，因此系統會學會避免這種行為。

流量測試

一旦研究人員開發出有效的控制算法，就會使用具有單個十字路口的交通模擬平臺對其進行評估。該控制算法應用于互聯的自動駕駛車輛車隊，其中這些車輛可以與即將到來的交通信號燈進行通信，以接收信號相位和時間信息并觀察其周圍環境。該控制算法會告訴每輛車如何加速和減速。

當車輛接近十字路口時，研究開發的系統沒有造成任何走走停停的交通行為。（當汽車由于前方交通停止而被迫完全停止時，就會發生走走停停的交通行為）。在仿真中，更多的汽車在綠燈期間通過，優于模擬人類駕駛員的模型。與其他同類優化方法相比，該全新技術會減少更多燃料消耗和排放。如果路上的每輛車都是自動駕駛汽車，新的控制系統可以減少18%的油耗和25%的二氧化碳排放，同時將行駛速度提高20%。

未來，研究人員希望研究多個十字路口之間的相互作用效應。他們還計劃探索不同的交叉路口設置（車道數量、信號、時間等）是如何影響行程時間、排放和燃料消耗的。此外，研究人員計劃研究當自動駕駛汽車和人類司機共享道路時，其控制系統如何影響安全性。例如，盡管自動駕駛汽車的駕駛方式可能與人類駕駛員不同，但較慢的道路和速度更穩定的道路可以提高安全性。

雖然這項工作仍處于早期階段，但Wu認為該方法可以在短期內實現應用。

返回第一電動網首頁 >