没有人喜欢坐在红灯前。但信号交叉口对司机来说不仅仅是一个小麻烦；车辆在等待光线变化的同时消耗燃料并排放温室气体。
如果司机们可以安排行程时间，以便在绿灯亮的时候到达十字路口，那该怎么办？虽然这对人类驾驶员来说可能只是一个幸运的机会，但通过使用人工智能控制车速的自动驾驶汽车，可以更稳定地实现这一目标。
在一项新的研究中，麻省理工学院的研究人员展示了一种机器学习方法，该方法可以学习在自动车辆接近和通过信号交叉口时控制车队，从而保持交通顺畅。
通过模拟，他们发现他们的方法可以减少油耗和排放，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，该技术会取得最佳效果，但即使只有25%的汽车使用其控制算法，它仍然会带来可观的燃油和排放效益。
资深作家凯西·吴（CathyWu）表示：“这是一个非常有趣的干预场所。没有人的生活会更好，因为他们被困在十字路口。有很多其他的气候变化干预措施，生活质量会有所不同，因此那里存在进入的障碍。在这里，障碍要低得多。”，Gilbert W.Winslow土木与环境工程系职业发展助理教授，数据、系统与社会研究所（IDSS）和信息与决策系统实验室（LIDS）成员。
这项研究的主要作者是VindulaJayawardana，他是LIDS和电气工程与计算机科学系的研究生。这项研究将在欧洲控制会议上发表。
交叉口复杂性
虽然人们可能会在没有考虑的情况下驶过绿灯，但十字路口可能会呈现出数十亿种不同的场景，这取决于车道数、信号如何运行、车辆数量及其速度、行人和自行车手的存在等。
解决交叉口控制问题的典型方法是使用数学模型来解决一个简单、理想的交叉口。这在纸面上看起来不错，但在现实世界中可能行不通，因为现实世界中的交通模式往往很混乱。
Wu和Jayawardana改变了方向，使用一种称为深度强化学习的无模型技术来解决这个问题。强化学习是一种反复试验的方法，其中控制算法学习做出一系列决策。当它找到一个好的序列时，它会得到奖励。通过深度强化学习，该算法利用神经网络学习到的假设，找到通往良好序列的捷径，即使存在数十亿种可能性。
这对于解决这样的长期问题很有用；Wu解释说，控制算法必须在较长的时间内向车辆发出500条以上的加速指令。
她补充道：“在我们知道我们在减少排放方面做得很好，并且以很好的速度到达十字路口之前，我们必须先确定好顺序。”。
但还有一条皱纹。研究人员希望该系统学习一种策略，以减少燃油消耗并限制对旅行时间的影响。这些目标可能相互冲突。
“为了减少旅行时间，我们希望汽车行驶速度更快，但为了减少排放，我们希望汽车减速或根本不移动。这些竞争性奖励可能会让学习代理非常困惑，”吴说。
虽然要全面解决这个问题很有挑战性，但研究人员采用了一种称为奖励塑造的技术来解决这个问题。通过奖励塑造，他们为系统提供了一些自己无法学习的领域知识。在这种情况下，每当车辆完全停止时，他们就会惩罚系统，因此它将学会避免这种行为。
交通测试
一旦他们开发出一种有效的控制算法，他们就使用一个单交叉口的交通仿真平台对其进行评估。该控制算法应用于一组相互连接的自主车辆，这些车辆可以与即将到来的红绿灯进行通信，以接收信号相位和定时信息，并观察其周围环境。控制算法告诉每辆车如何加速和减速。
当车辆接近交叉口时，他们的系统没有产生任何停走交通。（由于前面的交通堵塞，车辆被迫完全停车时，就会出现停行交通）。在模拟中，更多的汽车在一个绿色阶段通过，这比模拟人类驾驶员的模型要好。与其他设计用于避免走走停停交通的优化方法相比，他们的技术带来了更大的油耗和减排。如果路上的每辆车都是自动驾驶的，那么它们的控制系统可以减少18%的油耗和25%的二氧化碳排放，同时提高20%的行驶速度。
“单次干预就可以减少20%到25%的燃料或排放量，这真是难以置信。但我觉得有趣的是，我真的希望看到的是，这种非线性的比例。如果我们只控制25%的车辆，这将给我们带来50%的燃料和排放减少方面的好处。这意味着我们不必等到我们获得100%的自动驾驶车辆后，才能从这种方法中获得好处。”h、 “她说。
接下来，研究人员希望研究多个十字路口之间的相互影响。他们还计划探索不同的交叉口设置（车道数、信号灯、计时等）如何影响行驶时间、排放和燃油消耗。此外，他们还打算研究当自动驾驶车辆和人类驾驶员共用道路时，他们的控制系统会如何影响安全。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，但速度较慢的道路和速度更稳定的道路可以提高安全性，吴说。
虽然这项工作仍处于早期阶段，但吴认为这种方法在短期内可能更可行。
她说：“这项工作的目的是推动可持续流动性。我们也想做梦，但这些系统是惯性的大怪物。确定对系统有微小变化但有重大影响的干预点是让我早上起床的事情。”。
这篇报道是由麻省理工学院新闻网（web.MIT.edu/newoffice/）转载的，该网站是一个很受欢迎的网站，涵盖了有关麻省理工学院研究、创新和教学的新闻。