Предлагаемые стандарты на основе ИИ используют автоматизацию транспортных средств для управления трафиком
Поскольку автомобильные компании все чаще рекламируют полуавтоматические и полностью автономные функции, включая управление полосой и автопилотом, и 29 штатов в США приняли законодательство, касающееся автомобилей с самообслуживанием, исследователи транспорта UC Berkeley обращаются к этой новой эре смарт-автомобилей с помощью инструмента, который использует машинное обучение для управления трафиком, где автономные, полуавтономные и пилотируемые транспортные средства разделяют дорогу. Проект, названный «Поток», вывел свои первые предложенные стандарты для решения проблем с реальным трафиком, включая ослабление узких мест на мосту Сан-Франциско-Окленд Бэй, в понедельник, 29 октября на Конференции по робототехническому обучению в Цюрихе, Швейцария.
Многие исследователи трафика обращаются к интеграции интеллектуальных транспортных средств, но по сравнению с моделями, которые используют алгоритмы, разработанные вручную, для разработки элементов управления, таких как измерение времени замера, средства управления на основе машинного обучения могут обеспечить такие преимущества, как более низкое потребление энергии и новые решения управления трафиком, которые отсутствуют досягаемости человеческих расчетов.
«Flow решает масштабные проблемы с несколькими транспортными средствами, используя симуляции, которые намного эффективнее, чем то, что может быть произведено без помощи искусственного интеллекта», — сказал профессор электротехники и компьютерных наук Александр Байен, директор Института транспорта Калифорнийского университета в Беркли Исследования и основной исследователь исследования. «И мы сделали это облачной системой с открытым исходным кодом, чтобы сообщество разработчиков могло продолжать развивать ее».
Новой особенностью системы являются автоматизированные автомобили, использующие данные из близлежащих смарт-транспортных средств или инфраструктуры для управления трафиком, что фактически становится мобильным роботом, управляющим трафиком. Например, чтобы предотвратить узкое место, автоматизированный автомобиль мог использовать свою скорость и положение для управления соседними автомобилями по мере их слияния. Или это может ускорить его скорость, чтобы предотвратить случайные, вызванные человеком замедление, которые увеличивают время в пути и расстраивают водителей. ремонт котла санкт петербург
«Нам нужна более совершенная система управления трафиком, и нам также нужно подумать о том, как мы можем использовать эти автономные транспортные средства в рамках контроля за движением», — сказал Евгений Виницкий, ведущий автор исследования с Абуди Крейди, в лаборатории Байена. «Существуют огромные преимущества, которые могут обеспечить даже 4 или 5 процентов транспортных средств для остальной части движения на дороге».
Flow использует глубокое обучение усилению, аспект машинного обучения, который постоянно улучшает процесс принятия решений системой, изучая каждую проблему, которую он решает, а затем продвигает эти решения посредством многочисленных итераций. Многие приложения, в том числе робототехника и теория игр, используют глубокое обучение усилению, но это первый раз, когда он был интегрирован с инструментами моделирования трафика.
Свежие комментарии