MIT-Forscher nutzen KI, um selbstfahrenden Autos dabei zu helfen, den Leerlauf an roten Ampeln zu vermeiden

Was wäre, wenn Autofahrer ihre Fahrten genau so planen könnten, dass sie jedes Mal direkt über die Ampel fahren

Während dies menschlichen Fahrern nur in besonders glücklichen Fällen passieren kann, ist dies auch bei autonomen Fahrzeugen möglich, die KI nutzen Geschwindigkeitskontrolle wird stabiler umgesetzt.

In einer neuen Studie demonstrieren Wissenschaftler des Massachusetts Institute of Technology (MIT) einen Ansatz des maschinellen Lernens. Die Methode kann lernen, eine Flotte autonomer Fahrzeuge zu steuern, um den Verkehrsfluss aufrechtzuerhalten, wenn sie sich einer signalisierten Kreuzung nähern und diese passieren.

Den Simulationsergebnissen zufolge kann ihre Methode den Kraftstoffverbrauch und die Emissionen senken und gleichzeitig die durchschnittliche Fahrzeuggeschwindigkeit erhöhen. Die Technologie wird am besten funktionieren, wenn alle Autos auf der Straße autonom sind, aber selbst wenn nur 25 % der Autos ihre Steueralgorithmen nutzen, bringt sie dennoch enorme Kraftstoff- und Emissionsvorteile.

„Dies ist ein wirklich interessanter Ort, um einzugreifen. Das Leben von niemandem wird besser, weil er an einem Scheideweg festsitzt. Es gibt einen erwarteten Unterschied in der Lebensqualität, also gibt es eine Hürde Eintrag dort", sagte Cathy Wu, leitende Autorin der Studie. Es wird berichtet, dass er Gilbert W. Winslow Career Development Assistant Professor in der Abteilung für Bau- und Umweltingenieurwesen sowie Mitglied des Institute for Data, Systems and Society (IDSS) und des Laboratory of Information and Decision Systems (LIDS) ist.

LIDS und Vindula Jayawardana, eine Doktorandin im Fachbereich Elektrotechnik und Informatik, sind beide Erstautoren der Studie. Die Forschungsergebnisse werden auf der European Control Conference vorgestellt.

Komplizierte Kreuzungen

Während Menschen ohne nachzudenken über eine grüne Ampel fahren, können Kreuzungen in Milliarden verschiedener Situationen auftreten, abhängig von der Anzahl der Fahrspuren, der Funktionsweise der Ampeln, der Anzahl und Geschwindigkeit der Fahrzeuge sowie der Anwesenheit von Fußgängern und Radfahrern , usw.

Der typische Ansatz zur Lösung von Kreuzungskontrollproblemen besteht darin, ein mathematisches Modell zur Lösung einer einfachen, idealen Kreuzung zu verwenden. Auf dem Papier sieht das gut aus, aber in der realen Welt, wo die Verkehrsströme oft chaotisch sind, wird es wahrscheinlich nicht Bestand haben.

Wu und Jayawardana haben aus einem anderen Blickwinkel darüber nachgedacht. Sie verwendeten eine modellfreie Technologie namens Deep Reinforcement Learning, um dieses Problem zu lösen. Reinforcement Learning ist eine Trial-and-Error-Methode, bei der ein Steuerungsalgorithmus lernt, eine Reihe von Entscheidungen zu treffen. Wenn es eine gute Sequenz findet, wird es belohnt. Beim Deep Reinforcement Learning nutzen Algorithmen von neuronalen Netzen erlernte Hypothesen, um Abkürzungen zu guten Sequenzen zu finden – selbst wenn es Milliarden von Möglichkeiten gibt.

Dies ist nützlich, um langfristige Probleme wie dieses zu lösen. Wu wies darauf hin, dass der Steueralgorithmus über einen langen Zeitraum mehr als 500 Beschleunigungsbefehle an das Fahrzeug erteilen muss. Außerdem fügte sie hinzu: „Und wir müssen die Reihenfolge richtig hinbekommen, bevor wir wissen, dass wir die Emissionen gut gemindert haben und mit einem guten Tempo am Scheideweg sind.

Hier gibt es jedoch ein Problem, und das ist, dass die Forscher das ermöglichen wollen.“ System, um eine Strategie zur Reduzierung des Kraftstoffverbrauchs und zur Begrenzung der Auswirkungen auf die Reisezeit zu erlernen. Diese Ziele können im Widerspruch zueinander stehen.

„Um die Reisezeit zu verkürzen, möchten wir, dass das Auto schnell fährt, aber um die Emissionen zu reduzieren, möchten wir, dass das Auto langsamer wird oder sich überhaupt nicht bewegt. Diese konkurrierenden Belohnungen können für den Lernenden sehr verwirrend sein“, sagte Wu.

Während es schwierig ist, dieses allgemeine Problem zu lösen, verwendeten die Forscher eine Technik namens Belohnungsformung, um es zu umgehen. Durch die Gestaltung von Belohnungen geben sie dem System Domänenwissen, das es nicht alleine erlernen kann. In diesem Fall bestrafen sie das System bei jedem vollständigen Stillstand des Fahrzeugs, damit es lernt, dieses Verhalten zu vermeiden.

VERKEHRSTESTS

Sobald Forscher einen wirksamen Steuerungsalgorithmus entwickelt haben, bewerten sie ihn mithilfe einer Verkehrssimulationsplattform mit einer einzigen Kreuzung. Der Steueralgorithmus wird auf eine Flotte vernetzter autonomer Fahrzeuge angewendet, die mit kommenden Ampeln kommunizieren können, um Phasen- und Zeitinformationen von den Ampeln zu empfangen und ihre Umgebung zu beobachten. Der Steueralgorithmus teilt jedem Fahrzeug mit, wie es beschleunigen und abbremsen soll.

Ihr System verursachte keinen Stop-and-Go-Verkehr, als sich das Fahrzeug der Kreuzung näherte. In der Simulation passierten während einer einzelnen Grünlichtphase mehr Autos als ein Modell, das einen menschlichen Fahrer simulierte. Im Vergleich zu anderen Optimierungsmethoden, die ebenfalls auf die Vermeidung von Stop-and-Go-Verkehr abzielen, führte ihre Technologie zu einem höheren Kraftstoffverbrauch und einer Reduzierung der Emissionen. Wenn jedes Auto auf der Straße autonom wäre, könnten ihre Steuerungssysteme den Kraftstoffverbrauch um 18 % und die CO2-Emissionen um 25 % senken und gleichzeitig 20 % schneller fahren.

Wu sagte: „Es ist wirklich unglaublich, durch einen Eingriff eine Reduzierung des Kraftstoffverbrauchs oder der Emissionen um 20 % bis 25 % zu erzielen. Was ich jedoch interessant finde und was ich wirklich sehen möchte, ist dieses Nichtlinearitätsverhältnis.“ Wir kontrollieren nur 25 % der Fahrzeuge, das bedeutet, dass wir nicht warten müssen, bis wir 100 % autonome Fahrzeuge erreichen, um von diesem Ansatz zu profitieren 🎜#Als nächstes wollen die Forscher die interaktiven Effekte zwischen mehreren Kreuzungen untersuchen. Darüber hinaus planen sie zu untersuchen, wie sich unterschiedliche Kreuzungseinstellungen wie Anzahl der Fahrspuren, Ampeln, Timing usw. auf Fahrzeiten, Emissionen und Kraftstoffverbrauch auswirken. Darüber hinaus planen sie zu untersuchen, wie sich ihre Steuerungssysteme auf die Sicherheit auswirken, wenn autonome Fahrzeuge die Straße mit menschlichen Fahrern teilen.

Während sich diese Arbeit noch in einem frühen Stadium befindet, glaubt Wu, dass dieser Ansatz in naher Zukunft praktikabler umsetzbar sein könnte.

Das obige ist der detaillierte Inhalt vonMIT-Forscher nutzen KI, um selbstfahrenden Autos dabei zu helfen, den Leerlauf an roten Ampeln zu vermeiden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!