盖世汽车讯 据外媒报道，麻省理工学院（MIT）的研究人员在一项新研究中展示了一种机器学习方法。该方法可以学习控制自动驾驶车队，使车队在接近并通过带有信号灯的十字路口时，能够顺畅行驶。
图片来源：麻省理工学院
通过仿真，研究人员发现他们的机器学习方法可以减少燃料消耗和排放，同时提高平均车速。如果道路上的所有汽车都是自动驾驶的，该技术可实现最佳效果。但即使只有25%的汽车是自动驾驶汽车，通过使用该全新控制算法仍然会带来可观的燃料和排放效益。
十字路口错综复杂
虽然人类可能会不经思考就通过十字路口的绿灯，但根据车道的数量、信号的运行方式、车辆的数量及其速度、行人和骑自行车的人的存在等，十字路口可能会出现数十亿种不同的场景。
解决十字路口控制问题的典型方法是使用数学模型来解决一个简单、理想的十字路口。但该方法在现实世界中可能不会成立，因为交通模式通常非常混乱。
资深作者、土木与环境工程系Gilbert W. Winslow职业发展助理教授Cathy Wu和 研究主要作者、电气工程与计算机科学系的研究生Vindula Jayawardan使用一种深度强化学习（deep reinforcement learning）的无模型技术解决了这个问题。强化学习是一种试错法，可使控制算法学习做出一系列决策。当找到一个好的序列时，算法就会得到奖励。通过深度强化学习，该算法利用神经网络学习的假设可找到良好序列的捷径，即使存在数十亿种可能性。
Wu解释说该技术对于解决长期问题很有用，如控制算法必须在很长一段时间内向车辆发出超过500条加速指令。此外，研究人员希望该系统能够学习一种减少燃料消耗并限制对旅行时间影响的策略。这些目标可能是相互矛盾的。
虽然要全面解决这个问题具有挑战性，但研究人员采用了一种称为奖励塑造（reward shaping）的技术，可为系统提供了一些无法自行学习的领域知识。在这种情况下，只要车辆完全停止，研究人员就会对系统进行惩罚，因此系统会学会避免这种行为。
流量测试
一旦研究人员开发出有效的控制算法，就会使用具有单个十字路口的交通模拟平台对其进行评估。该控制算法应用于互联的自动驾驶车辆车队，其中这些车辆可以与即将到来的交通信号灯进行通信，以接收信号相位和时间信息并观察其周围环境。该控制算法会告诉每辆车如何加速和减速。
当车辆接近十字路口时，研究开发的系统没有造成任何走走停停的交通行为。（当汽车由于前方交通停止而被迫完全停止时，就会发生走走停停的交通行为）。在仿真中，更多的汽车在绿灯期间通过，优于模拟人类驾驶员的模型。与其他同类优化方法相比，该全新技术会减少更多燃料消耗和排放。如果路上的每辆车都是自动驾驶汽车，新的控制系统可以减少18%的油耗和25%的二氧化碳排放，同时将行驶速度提高20%。
未来，研究人员希望研究多个十字路口之间的相互作用效应。他们还计划探索不同的交叉路口设置（车道数量、信号、时间等）是如何影响行程时间、排放和燃料消耗的。此外，研究人员计划研究当自动驾驶汽车和人类司机共享道路时，其控制系统如何影响安全性。例如，尽管自动驾驶汽车的驾驶方式可能与人类驾驶员不同，但较慢的道路和速度更稳定的道路可以提高安全性。
虽然这项工作仍处于早期阶段，但Wu认为该方法可以在短期内实现应用。
