هیچ کس از منتظر ماندن در پشت چراغ قرمز لذت نمی برد. اما تقاطع ها فقط برای رانندگان مزاحمت ایجاد نمی کنند. وسایل نقلیه زمانی که منتظر تغییر رنگ چراغ راهنمایی و رانندگی هستند، سوخت را هدر می دهند و گازهای گلخانه ای منتشر می کنند. محققان دانشگاه MIT به تازگی از هوش مصنوعی برای حل این مشکل استفاده کرده اند. برای آگاهی بیشتر از جزئیات تحقیقات جدید تا پایان مطلب با های فن تک همراه باشید.
تا حالا به این فکر کردید، چطور رانندگان می‌توانند سفرهایشان را طوری زمان‌بندی کنند تا وقتی چراغ سبز است به تقاطع برسند؟ بعضی اوقات رانندگان با خوش شانسی با چراغ سبز رو به رو می شوند، اما می‌توان برای حل کلی این مشکل از یک وسیله نقلیه خوددران که دارای هوش مصنوعی برای کنترل سرعت خود است، استفاده کرد.
در یک مطالعه جدید، دانشمندان MIT یک رویکرد یادگیری ماشینی را نشان می‌دهند که می‌تواند کنترل ناوگان وسایل نقلیه خودران را در حین نزدیک شدن و حرکت از طریق یک تقاطع علامت‌دار به روشی که ترافیک را روان نگه دارد، کنترل کند.
با توجه به شبیه سازی ها، رویکرد آنها مصرف سوخت و انتشار گازهای گلخانه ای را کاهش می دهد و در عین حال سرعت متوسط خودرو را بهبود می بخشد. این تکنیک در صورتی بهترین نتایج را به دست می‌آورد که همه خودروهای موجود در جاده مستقل باشند، اما حتی اگر تنها 25 درصد آن ها از الگوریتم کنترل سرعت استفاده کنند، از هدر رفتن سوخت و میزان آلایندگی آن به میزان قابل توجهی کم خواهد کرد.
ویندولا جایواردانا، نویسنده اصلی این مطالعه و دانشجوی کارشناسی ارشد در دانشکده LIDS گروه مهندسی برق و علوم کامپیوتر دانشگاه MIT نتایج این تحقیق را قصد دارد، در کنفرانس کنترل اروپا ارائه خواهد داد.
پیچیدگی های تقاطع
بعضی از افراد معمولا بدون فکر کردن از کنار چراغ سبز عبور کنند. اما، تقاطع ها بسته به تعداد خطوط، نحوه عملکرد سیگنال ها، تعداد وسایل نقلیه و سرعت آنها، حضور عابران پیاده و دوچرخه سواران و غیره می توانند میلیاردها سناریو مختلف را ارائه دهند.
روش‌های معمول برای مقابله با مسائل کنترل ترافیک در تقاطع ها، از مدل‌های ریاضی برای حل آن استفاده می‌کنند. اما، این راه حل ها روی کاغذ خوب جواب می دهد، اما احتمالاً در دنیای واقعی، جایی که الگوهای ترافیکی از هیچ نظم خاصی پیروی نمی کنند، قابل اجرا نخواهد بود.
وو و جایواردانا راه حل خود را تغییر دادند و با استفاده از تکنیک بدون مدل، یادگیری تقویتی عمیق به حل این مشکل نزدیک شدند. یادگیری تقویتی یک روش آزمون و خطا است که در آن الگوریتم کنترل می آموزد که دنباله ای از تصمیمات را اتخاذ کند. وقتی یک سکانس خوب پیدا کند، پاداش می گیرد. با یادگیری تقویتی عمیق، این الگوریتم از مفروضات آموخته شده توسط یک شبکه عصبی برای یافتن میانبرهایی برای توالی های خوب، حتی اگر میلیاردها احتمال وجود داشته باشد، استفاده می کند.
این برای حل یک مشکل در دراز مدت مفید است. وو توضیح می دهد که الگوریتم کنترل باید بیش از 500 دستورالعمل، میزان شتاب را برای یک وسیله نقلیه در مدت زمان طولانی مشخص می کند.
او در ادامه گفت: « قبل از اینکه بدانیم کار خوبی برای کاهش انتشار گازهای گلخانه ای و رسیدن به تقاطع با سرعت مناسب انجام داده ایم، باید ترتیب را درست انجام دهیم.»
محققان می‌خواهند سیستم، استراتژی‌ای را بیاموزد که مصرف سوخت را کاهش داده و تأثیر آن بر زمان سفر محدود کنند. این اهداف می توانند با هم تناقض داشته باشند. زیرا، برای کاهش زمان سفر ما می‌خواهیم خودرو سریع حرکت کند، اما برای کاهش انتشار گازهای گلخانه‌ای، می‌خواهیم سرعت خودرو کاهش یابد یا اصلاً حرکت نکند. وو می‌گوید، آن پاداش‌های رقابتی می‌تواند برای عامل یادگیری بسیار گیج‌کننده باشد.
در حالی که حل این مشکل در کلیت آن کاملا چالش برانگیز است. اما، محققان با استفاده از تکنیکی به نام شکل دادن به پاداش این مشکل را حل کردند. با شکل دادن به پاداش، آنها ابتدا به سیستم مقداری دانش می‌دهند که به تنهایی قادر به یادگیری آن نیست. در این مورد، آنها سیستم را هر زمان که وسیله نقلیه کاملاً متوقف می شد جریمه می کردند، بنابراین یاد می گرفت که از آن عمل اجتناب کند.
تست های راهنمایی و رانندگی
آنها الگوریتم کنترل موثر را با استفاده از یک پلت فرم شبیه سازی ترافیک در یک تقاطع ارزیابی کردند. الگوریتم کنترل بر روی مجموعه ای از وسایل نقلیه خودران اعمال می‌شود که می‌توانند با چراغ‌های راهنمایی آینده ارتباط برقرار کنند تا اطلاعاتی مانند فاز سیگنال و زمان‌بندی را دریافت کنند و با استفاده از این اطلاعات، محیط اطراف خود را مشاهده کنند. الگوریتم کنترل به هر وسیله نقلیه می گوید که چگونه شتاب بگیرد و سرعتش را به چه میزان کاهش دهد.
با نزدیک شدن وسایل نقلیه به تقاطع، سیستم آنها هیچ ترافیکی بابت توقف یا حرکت ایجاد نکرد. (ترافیک توقف و حرکت زمانی اتفاق می‌افتد که اتومبیل‌ها به دلیل وجود ترافیک پیش رو مجبور به توقف کامل شوند). در شبیه‌سازی‌ها، اتومبیل‌های بیشتری زمانی که چراغ سبزمی شود از آن جا عبور می کردند، که نسبت به مدلی که رانندگان انسانی را شبیه‌سازی می‌کند، بهتر عمل کرد. در مقایسه با سایر روش‌های بهینه‌سازی که برای جلوگیری از ترافیک توقف و حرکت طراحی شده‌اند، تکنیک آنها منجر به کاهش مصرف سوخت و انتشار گازهای گلخانه‌ای بیشتر می‌شود. اگر هر وسیله نقلیه در جاده خودران باشد، سیستم کنترل آنها می تواند مصرف سوخت را تا 18 درصد و انتشار دی اکسید کربن را تا 25 درصد کاهش دهد، در کنار همه این ها، سرعت سفر را نیز به 20 درصد افزایش می دهد.
یک روشی که باعث شود کاهش 20 تا 25 درصدی در سوخت یا آلاینده‌ها اتفاق بیافتد، واقعاً باورنکردنی است. اما چیزی که در این تحقیقات جالب بود، این مقیاس غیرخطی است. اگر ما بتوانیم فقط 25 درصد وسایل نقلیه را کنترل کنیم، 50 درصد مصرف سوخت و آلایندگی کاهش می یابد. این بدان معناست که ما مجبور نیستیم منتظر بمانیم تا به تولید 100 درصد وسایل نقلیه خودران برسیم تا از مزایای این روش استفاده کنیم.»
در پایین جاده، محققان می خواهند بررسی کنند که چگونه تنظیمات مختلف تقاطع (مانند تعداد خطوط، سیگنال‌ها، زمان‌بندی و غیره) می‌توانند بر زمان سفر، انتشار گازهای گلخانه‌ای و مصرف سوخت تأثیر بگذارند. علاوه بر این، آنها قصد دارند بررسی کنند که چگونه سیستم کنترل آنها می تواند بر ایمنی جاده، زمانی که وسایل نقلیه خودران در کنار رانندگان انسانی در جاده همزمان مشغول رانندگی هستند، تأثیر بگذارد. به‌عنوان مثال، وو می‌گوید، شاید رانندگی خودروهای خودران با رانندگان انسانی فرق داشته باشد، چون آن ها در جاده‌های کندتر و با سرعت ثابت‌تر رانندگی می کنند، که خود این می‌توانند ایمنی رانندگان را در جاده ها بهبود ببخشد.
در حالی که این کار هنوز در مراحل اولیه خود است، وو این رویکرد را رویکردی می‌بیند که می‌تواند در کوتاه مدت به صورت عملی، اجرا شود.
کار اخیر پروفسور کتی وو نشان می دهد که چگونه رانندگی با یک چارچوب یکپارچه می تواند به کاهش مصرف سوخت کمک کند . همچنین، باعث کاهش انتشار دی اکسید کربن شود و نتایج خوبی هم در بهبود میانگین زمان سفر به ما ارائه دهد. اوزان تونگوز، استاد مهندسی برق و کامپیوتر در Carnegie Mellon می‌گوید به طور خاص، رویکرد یادگیری تقویتی که در کار وو دنبال می‌شود، با استفاده از فناوری وسایل نقلیه خودران متصل، چارچوبی عملی و جذاب را برای سایر محققان در همین فضا فراهم می‌کند.