MIT
IntersectionZoo AI poboljšava promet
Novi slat za usporedbu performansi, koristi stvarni prometni problem za testiranje napretka algoritama dubokog učenja pojačanjem.

Ako postoji jedna stvar koja karakterizira vožnju u bilo kojem većem gradu, to je stalno zaustavljanje i kretanje dok se mijenjaju svjetla na semaforima i dok se automobili i kamioni spajaju i razdvajaju te skreću i parkiraju. Ovo stalno zaustavljanje i kretanje izuzetno je neučinkovito, povećava količinu onečišćenja, uključujući stakleničke plinove.
Jedan od pristupa za rješavanje tog problema je takozvana eko-vožnja, koja se može ugraditi kao upravljački sustav u autonomna vozila kako bi se poboljšala njihova učinkovitost.
Kako bi se riješilo takvo pitanje koje uključuje toliko mnogo komponenti, prvi zahtjev je prikupljanje svih dostupnih podataka o sustavu iz mnogih izvora.
"Prije nekoliko godina zainteresirali smo se za pitanje: Postoji li nešto što automatizirana vozila mogu učiniti ovdje u smislu ublažavanja emisija?", kaže Cathy Wu, izvanredna profesorica na Odjelu za građevinarstvo i inženjerstvo okoliša MIT-a. "Jedan od načina je raspored topologije mreže", kaže Wu, u ovom slučaju karta svih raskrižja u svakom gradu.
"Zatim tu su podaci Američkog geološkog zavoda koji prikazuju nadmorske visine, kako bi se odredio nagib cesta. Tu su i podaci o temperaturi i vlažnosti, podaci o mješavini tipova i starosti vozila te o mješavini vrsta goriva".
Eko vožnja uključuje male prilagodbe kako bi se smanjila nepotrebna potrošnja goriva. Na primjer, dok se automobili približavaju semaforu na kojem se upalilo crveno, nema smisla da vozite što brže mogu do crvenog svjetla.
Ako jedan automobil, poput automatiziranog vozila, uspori pri prilazu raskrižju, tada će i konvencionalni, neautomatizirani automobili iza njega biti prisiljeni usporiti, tako da utjecaj takve učinkovite vožnje može se proširiti daleko izvan samog automobila koji to radi.
To je osnovna ideja eko-vožnje, kaže Wu. Ali da bi se shvatio utjecaj takvih mjera, „to su izazovni optimizacijski problemi“ koji uključuju mnoge različite čimbenike i parametre, pa trenutno postoji val interesa za to kako riješiti teške probleme upravljanja pomoću umjetne inteligencije.“
Novi sustav mjerila koji su Wu i njezini suradnici razvili na temelju urbane eko-vožnje, a koji nazivaju „IntersectionZoo“, namijenjen je rješavanju dijela te potrebe. Mjerilo je detaljno opisano u radu predstavljenom na Međunarodnoj konferenciji o reprezentaciji učenja u Singapuru 2025. godine.
Promatrajući pristupe koji su korišteni za rješavanje tako složenih problema, Wu kaže da je važna kategorija metoda višeagentno duboko učenje s pojačanjem (DRL), ali nedostatak odgovarajućih standardnih mjerila za procjenu rezultata takvih metoda ometa napredak u tom području.
Novi kriterij namijenjen je rješavanju važnog problema koji su Wu i njezin tim identificirali prije dvije godine, a to je da kod većine postojećih algoritama dubokog učenja s potkrepljenjem, kada se treniraju za jednu specifičnu situaciju (npr. jedno određeno raskrižje), rezultat ne ostaje relevantan kada se naprave čak ni male izmjene, poput dodavanja biciklističke trake ili promjene vremena semafora, čak i kada im je dopušteno treniranje za modificirani scenarij.
Zapravo, ističe Wu, ovaj problem nemogućnosti generalizacije „nije jedinstven za promet“, kaže ona. „Seže sve do kanonskih zadataka koje zajednica koristi za procjenu napretka u dizajnu algoritma. Ali budući da većina takvih kanonskih zadataka ne uključuje izmjene, teško je znati napreduje li vaš algoritam u vezi s ovom vrstom problema robusnosti ako to ne procijenimo.“
Iako postoje mnogi kriteriji koji se trenutno koriste za procjenu algoritamskog napretka u DRL-u, ona kaže: „ovaj problem ekološke vožnje ima bogat skup karakteristika koje su važne u rješavanju problema iz stvarnog svijeta, posebno s gledišta generalizacije, a koje nijedan drugi kriterij ne zadovoljava. Zato milijun prometnih scenarija temeljenih na podacima u IntersectionZoo-u jedinstveno pozicionira IntersectionZoo za unapređenje napretka u generalizaciji DRL-a. Kao rezultat toga, ovaj kriterij doprinosi bogatstvu načina za procjenu algoritama i napretka dubokog RL-a.“
A što se tiče početnog pitanja o gradskom prometu, jedan od fokusa tekućeg rada bit će primjena ovog novo razvijenog alata za mjerenje kako bi se riješio konkretan slučaj koliki bi utjecaj na emisije imao uvođenje ekološke vožnje u automatiziranim vozilima u gradu, ovisno o tome koji postotak takvih vozila se zapravo koristi.
No Wu dodaje da „umjesto izrade nečega što može primijeniti eko-vožnju na gradskoj razini, glavni cilj ove studije je podržati razvoj algoritama dubokog učenja s potkrepljenjem opće namjene, koji se mogu primijeniti na ovu aplikaciju, ali i na sve ove druge aplikacije - autonomnu vožnju, videoigre, sigurnosne probleme, probleme robotike, skladištenje i sve klasične probleme upravljanja.“
Učitavam komentare ...