Kunstmatige intelligentie toepassen op zelfrijdende auto's om het verkeer soepeler te laten verlopen, brandstofverbruik verminderen, en het verbeteren van luchtkwaliteitsvoorspellingen klinkt misschien als sciencefiction, maar onderzoekers van het Lawrence Berkeley National Laboratory van het Department of Energy (Berkeley Lab) hebben twee onderzoeksprojecten gelanceerd om precies dat te doen.

In samenwerking met UC Berkeley, Berkeley Lab-wetenschappers gebruiken diepgaande versterkingsleer, een rekentool voor het trainen van controllers, om het vervoer duurzamer te maken. Eén project maakt gebruik van diepgaand leren om autonome voertuigen te trainen om te rijden op manieren om tegelijkertijd de verkeersstroom te verbeteren en het energieverbruik te verminderen. Een tweede gebruikt deep learning-algoritmen om satellietbeelden te analyseren in combinatie met verkeersinformatie van mobiele telefoons en gegevens die al worden verzameld door omgevingssensoren om de voorspellingen van de luchtkwaliteit te verbeteren.

"Dertig procent van het energieverbruik in de VS is om mensen en goederen te vervoeren, en dit energieverbruik draagt ​​bij aan luchtvervuiling, inclusief ongeveer de helft van alle stikstofoxide-emissies, een voorloper van bepaalde materie en ozon – en zwarte koolstof (roet) emissies, " zei Tom Kirchstetter, directeur van de Energy Analysis and Environmental Impacts Division van Berkeley Lab, een adjunct-professor aan UC Berkeley, en lid van het onderzoeksteam.

"Het toepassen van machine learning-technologieën op transport en het milieu is een nieuwe grens die aanzienlijke voordelen kan opleveren - zowel voor energie als voor de menselijke gezondheid."

Verkeersafwikkeling met Flow

Het verkeersafwikkelingsproject, CIRKELS genoemd, of Congestion Impact Reduction via CAV-in-the-loop Lagrangian Energy Smoothing, wordt geleid door Berkeley Lab-onderzoeker Alexandre Bayen, die ook hoogleraar elektrotechniek en computerwetenschappen is aan UC Berkeley en directeur van UC Berkeley's Institute of Transportation Studies. CIRCLES is gebaseerd op een softwareframework genaamd Flow, ontwikkeld door het team van studenten en postdoctorale onderzoekers van Bayen.

Flow is een uniek softwareraamwerk waarmee onderzoekers schema's voor het optimaliseren van het verkeer kunnen ontdekken en benchmarken. Met behulp van een state-of-the-art open-source microsimulator, Flow kan honderdduizenden voertuigen simuleren – sommige worden bestuurd door mensen, anderen autonoom - rijden in aangepaste verkeersscenario's.

"Het potentieel voor steden is enorm, " zei Bayen. "Experimenten hebben aangetoond dat de energiebesparingen met slechts een klein percentage autonoom rijdende voertuigen enorm kunnen zijn. En met onze algoritmen kunnen we het nog verder verbeteren."

Flow is in 2017 gelanceerd en in september voor het publiek vrijgegeven, en de benchmarks worden deze maand vrijgegeven. Met financiering van het Laboratory Directed Research and Development-programma, Bayen en zijn team zullen Flow gebruiken om te ontwerpen, toets, en implementeer het eerste geconnecteerde en autonome voertuig (CAV)-enabled systeem om stop-and-go spookfiles op snelwegen actief te verminderen.

Hoe versterkend leren congestie kan verminderen

Een deel van het huidige onderzoek naar het gebruik van autonome voertuigen om het verkeer soepeler te laten verlopen, is geïnspireerd op een eenvoudig experiment dat 10 jaar geleden door Japanse onderzoekers werd gedaan, waarbij ongeveer 20 menselijke chauffeurs werden geïnstrueerd om met een snelheid van 20 mph in een ring te rijden. In het begin verloopt iedereen vlot, maar binnen 30 seconden, de verkeersgolven beginnen en auto's komen tot stilstand.

"Je hebt een stop-and-go-oscillatie binnen minder dan een minuut, " zei Bayen. "Dit experiment leidde tot honderden, zo niet duizenden onderzoekspapers om te proberen uit te leggen wat er gebeurt."

Een team van onderzoekers onder leiding van Dan Work van de Vanderbilt University herhaalde vorig jaar hetzelfde experiment, maar bracht één verandering aan:ze voegden een enkel autonoom voertuig toe in de ring. Zodra de automatisering is ingeschakeld, de trillingen worden onmiddellijk afgevlakt.

Waarom? "De automatisering begrijpt in wezen om de vorige persoon niet te versnellen en in te halen - wat de instabiliteit zou versterken - maar eerder om zich te gedragen als een stroomfopspeen, in wezen gladstrijken door het verkeer te beperken, zodat het de instabiliteit niet versterkt, ' zei Bayen.

Diepe versterkingsleer is gebruikt om computers te trainen om te schaken en om een ​​robot te leren hoe hij een hindernisbaan moet rennen. Het traint door "observaties van het systeem te nemen, en dan iteratief een heleboel acties uitproberen, kijken of ze goed of slecht zijn, en vervolgens uitzoeken welke acties prioriteit moeten krijgen, " zei Eugene Vinitsky, een afgestudeerde student die samenwerkt met Bayen en een van Flow's ontwikkelaars.

In het geval van verkeer, Flow traint voertuigen om te controleren wat de auto's direct voor en achter hen doen. "Het probeert verschillende dingen uit - het kan versnellen, vertragen, of van rijstrook wisselen, bijvoorbeeld, " legde Vinitsky uit. "Je geeft het een beloningssignaal, Leuk vinden, is het verkeer gestopt of vlot verlopen, en het probeert te correleren wat het deed met de staat van het verkeer."

Met het CIRCLES-project, Bayen en zijn team zijn van plan om eerst simulaties uit te voeren om te bevestigen dat aanzienlijke energiebesparingen het gevolg zijn van het gebruik van de algoritmen in autonome voertuigen. Vervolgens zullen ze een veldtest van het algoritme uitvoeren waarbij menselijke chauffeurs reageren op realtime commando's.

DeepAir

Het vervuilingsproject, genaamd DeepAir (Deep Learning and Satellite Imaginary to Estimate Air Quality Impact at Scale), wordt geleid door Berkeley Lab-onderzoeker Marta Gonzalez, die ook een professor is in de afdeling City &Regional Planning van UC Berkeley. In eerder onderzoek is ze heeft mobiele telefoongegevens gebruikt om te bestuderen hoe mensen zich door steden verplaatsen en om oplaadschema's voor elektrische voertuigen aan te bevelen om energie en kosten te besparen.

Voor dit project, ze zal profiteren van de kracht van deep learning-algoritmen om satellietbeelden te analyseren in combinatie met verkeersinformatie van mobiele telefoons en gegevens die al worden verzameld door milieumeetstations.

"Het nieuwe hier is dat, terwijl de milieumodellen, die de interactie van verontreinigende stoffen met het weer laten zien – zoals windsnelheid, druk, neerslag, en temperatuur – zijn al jaren ontwikkeld, er ontbreekt een stuk, " zei Gonzalez. "Om betrouwbaar te zijn, die modellen moeten een goede inventaris hebben van wat er in het milieu terechtkomt, zoals emissies van voertuigen en elektriciteitscentrales.

"We brengen nieuwe databronnen zoals mobiele telefoons, integrated with satellite images. In order to process and interpret all this information, we use machine learning models applied to computer vision. The integration of information technologies to better understand complex natural system interactions at large scale is the innovative piece of DeepAir."

The researchers anticipate that the resulting analysis will allow them to gain insights into the sources and distribution of pollutants, and ultimately allow for the design of more efficient and more timely interventions. Bijvoorbeeld, the Bay Area has "Spare the Air" days, in which traffic restrictions are voluntary, and other cities have schemes to restrict traffic or industry.

While the idea of using algorithms to control cars and traffic may sound incredible at the moment, Bayen believes technology is headed in that direction. "I do believe that within 10 years the things we're coming up with here, like flow smoothing, will be standard practice, because there will be more automated vehicles on the road, " hij zei.