• Mayıs 30, 2022

Yapay Zeka ile daha çevreci ve daha hızlı sürüş

Yapay Zeka ile daha çevreci ve daha hızlı sürüş

Yapay Zeka yardımıyla daha temiz, daha çevreci ve daha hızlı sürüş mümkün hale gelebilir.

Kimse kırmızı ışıkta beklemekten hoşlanmaz. Ancak sinyalize kavşaklar sadece sürücüler için küçük bir sıkıntı değil aynı zamanda araçlar için de öyle. Çünkü araçlar, ışığın değişimini beklerken yakıt israfına ve sera gazı salınımına neden olur.

Peki ya sürücüler, ışık yeşil olduğunda kavşağa varmaları için yolculuklarını tam olarak zamanlayabilirlerse? Bu, bir insan sürücü için sadece şanslı gerektiren bir durum olsa da hızını kontrol etmek için yapay zeka kullanan otonom bir araçla daha tutarlı bir şekilde elde edilebilir.

MIT araştırmacıları, otonom araçların kırmızı ışıkta rölantide kalmasını önlemek için yapay zeka kullanıyor.

Yeni bir çalışmada MIT bilim insanları, trafiğin sorunsuz akmasını sağlayacak şekilde sinyalize bir kavşağa yaklaşırken veya seyahat ederken bir otonom araç filosunu kontrol etmeyi öğrenebilen bir makine öğrenimi yaklaşımını gösteriyor.

Simülasyonlara göre, yaklaşım ortalama araç hızını artırırken yakıt tüketimini ve emisyonları azaltır. Teknik, yoldaki tüm arabaların otonom olması durumunda en iyi sonuçları alır. Ancak yalnızca yüzde 25’i kontrol algoritmalarını kullansa bile, yine de önemli yakıt ve emisyon faydaları sağlar.

Çalışma ekibi üyelerinden Gilbert W. Winslow ve Cathy Wu, “Burası müdahale etmek için gerçekten ilginç bir yer. Kimsenin hayatı daha iyi değil çünkü bir kavşakta mahsur kaldılar. Diğer pek çok iklim değişikliği müdahalesinde, beklenen bir yaşam kalitesi farkı var, dolayısıyla oraya giriş için bir engel var. Burada, engel çok daha düşük” diyor.

Kavşak incelikleri

İnsanlar iki kez düşünmeden yeşil ışıkta geçebilirken, kavşaklar şerit sayısına, sinyallerin nasıl çalıştığına, araç sayısına ve hızlarına, yayaların ve bisikletlilerin varlığına vb. bağlı olarak milyarlarca farklı senaryo sunabilir.

Kavşak kontrol problemlerinin üstesinden gelmek için tipik yaklaşımlar, basit ve ideal bir kavşağı çözmek için matematiksel modeller kullanır. Bu kağıt üzerinde iyi görünüyor, fakat trafik düzenlerinin dağınık olduğu gerçek dünyada genellikle geçerli olmayacak.

Wu ve çalışmanın baş yazarı Jayawardana probleme derin pekiştirmeli öğrenme olarak bilinen modelsiz bir teknik kullanarak yaklaştı. Takviyeli öğrenme, kontrol algoritmasının bir dizi karar vermeyi öğrendiği bir deneme yanılma yöntemi. Derin pekiştirmeli öğrenme ile algoritma, milyarlarca olasılık olsa bile iyi dizilere kısayollar bulmak için bir sinir ağı tarafından öğrenilen varsayımlardan yararlanıyor.

MIT araştırmacıları yeni bir çalışmada, trafiğin sorunsuz akmasını sağlayacak şekilde sinyalize bir kavşağa yaklaşırken veya seyahat ederken bir otonom araç filosunu kontrol etmeyi öğrenebilen bir makine öğrenimi modeli gösterdi.

Bu, bunun gibi uzun bir ufuk problemini çözmek için kullanışlı ki Wu, kontrol algoritmasının uzun bir süre boyunca bir araca 500’den fazla hızlanma talimatı vermesi gerektiğini açıklıyor.

Fakat bir küçük bir ek sorun var. Araştırmacılar, sistemin yakıt tüketimini azaltan ve seyahat süresi üzerindeki etkiyi sınırlayan bir strateji öğrenmesini istiyor. Bu hedefler çelişkili olabilir.

Wu, “Seyahat süresini azaltmak için arabanın hızlı gitmesini istiyoruz, ancak emisyonları azaltmak için arabanın yavaşlamasını veya hiç hareket etmemesini istiyoruz. Bu öğrenme aracısı için çok kafa karıştırıcı olabilir” diyor.

Bu sorunu tam olarak çözmek zor olsa da araştırmacılar ödül şekillendirme olarak bilinen bir teknik kullanarak geçici bir çözüm kullandı. Ödül şekillendirme ile sisteme kendi başına öğrenemeyeceği bazı alan bilgileri verdiler.

Trafik testleri

Ekip etkili bir kontrol algoritması geliştirdikten sonra, bunu tek bir kavşak içeren bir trafik simülasyon platformu kullanarak değerlendirdi. Kontrol algoritması, sinyal fazı ve zamanlama bilgilerini almak ve yakın çevrelerini gözlemlemek için yaklaşan trafik ışıklarıyla iletişim kurabilen bir bağlantılı otonom araç filosuna uygulanır. Kontrol algoritması, her araca nasıl hızlanıp yavaşlayacağını söyler.

Araçlar kavşağa yaklaşırken sistemleri dur-kalk trafiği oluşturmadı. Simülasyonlarda, tek bir yeşil aşamada daha fazla araba, insan sürücüleri simüle eden bir modelden daha iyi performans gösterdi. Dur-kalk trafiğinden kaçınmak için tasarlanmış diğer optimizasyon yöntemleriyle karşılaştırıldığında, teknikleri daha fazla yakıt tüketimi ve emisyon azaltımı ile sonuçlandı. Yoldaki her araç otonomsa, kontrol sistemleri yakıt tüketimini yüzde 18 ve karbondioksit emisyonlarını yüzde 25 azaltırken, seyahat hızlarını yüzde 20 artırabilir.

Wu, “Yakıt veya emisyonlarda yüzde 20 ila 25 oranında azalma sağlayan tek bir müdahale gerçekten inanılmaz. Ama ilginç bulduğum ve gerçekten görmeyi umduğum şey, bu doğrusal olmayan ölçekleme. Araçların sadece yüzde 25’ini kontrol edersek, bu bize yakıt ve emisyon azaltımı açısından yüzde 50 fayda sağlar. Bu, bu yaklaşımdan yararlanmak için yüzde 100 otonom araçlara ulaşana kadar beklememiz gerekmediği anlamına geliyor” diyor.

Araştırmacılar çoklu kavşaklar arasındaki etkileşim etkilerini incelemek istiyor. Ayrıca farklı kavşak kurulumlarının (şerit sayısı, sinyaller, zamanlamalar vb.) seyahat süresini, emisyonları ve yakıt tüketimini nasıl etkileyebileceğini keşfetmeyi planlıyor. Ek olarak, otonom araçlar ve insan sürücüler yolu paylaştığında kontrol sistemlerinin güvenliği nasıl etkileyebileceğini araştırmayı planlıyor.

Bu çalışma henüz başlangıç ​​aşamasında olsa da Cathy Wu, bu yaklaşımı yakın vadede daha uygulanabilir bir şekilde uygulanabilecek bir yaklaşım olarak görüyor.