Sind Sie jemals im Stau stecken geblieben, nur um auf eine andere rote Ampel zuzusteuern? Gibt es ein irritierenderes Gefühl als im Stau aufgehalten?
jetzt Forscher der Aston University haben ein neues künstliches Intelligenzsystem entwickelt, das langen Warteschlangen an Ampeln ein Ende setzen könnte, laut Aussage am Dienstag von der Institution freigegeben.
tiefes bestärkendes Lernen
Das System ist so effizient, weil es tiefes Verstärkungslernen, was bedeutet, dass es seine Prozesse tatsächlich anpasst, wenn es nicht gut läuft, und sich weiter verbessert, wenn es Fortschritte macht.
„Wir haben dies als Verkehrskontrollspiel eingerichtet. Das Programm erhält eine ‚Belohnung‘, wenn es ein Auto durch eine Kreuzung bringt. Jedes Mal, wenn ein Auto warten muss oder es einen Stau gibt, gibt es eine negative Belohnung. Es gibt eigentlich keineInput von uns; wir kontrollieren einfach das Belohnungssystem", sagte Dr. Maria Chli, Dozentin für Informatik an der Aston University.
Die Forscher stellten fest, dass das neue System alle anderen herkömmlichen Methoden zur Verkehrsbewältigung deutlich übertraf. Dies liegt daran, dass es auf einem hochmodernen fotorealistischen Verkehrssimulator namens Traffic 3D aufbaute.
Anpassbar an reale Einstellungen
Dieser Simulator wurde für verschiedene Verkehrs- und Wetterszenarien trainiert und konnte sich daher schnell an echte Verkehrskreuzungen anpassen, wodurch er in vielen realen Umgebungen effektiv ist.
„Der Grund, warum wir dieses Programm auf erlernten Verhaltensweisen aufgebaut haben, ist, dass es Situationen verstehen kann, die es zuvor nicht explizit erlebt hat. Wir haben dies mit einem physischen Hindernis getestet, das Staus verursacht, und nicht mit Ampelphasen und demDas System hat trotzdem gut funktioniert. Solange es eine kausale Verbindung gibt, wird der Computer letztendlich herausfinden, was diese Verbindung ist. Es ist ein äußerst leistungsfähiges System", schloss Dr. George Vogiatzis, Dozent für Informatik an der Aston University.
Die Studiewurde veröffentlicht in den Bibliotheksdiensten der Aston University.
Studienzusammenfassung:
Ineffektive Ampelsteuerung ist eine der Hauptursachen für Staus in städtischen Straßennetzen. Sich dynamisch ändernde Verkehrsbedingungen und Live-Verkehrszustandsschätzungen sind grundlegende Herausforderungen, die die Fähigkeit der bestehenden Signalinfrastruktur einschränken, eine individualisierte Signalsteuerung in Echtzeit zu ermöglichen.Wir verwenden Deep Reinforcement Learning DRL, um diese Herausforderungen anzugehen.Aufgrund wirtschaftlicher und sicherheitstechnischer Einschränkungen im Zusammenhang mit dem Training solcher Agenten in der realen Welt besteht ein praktischer Ansatz darin, dies vor dem Einsatz in einer Simulation zu tun.Domänen-Randomisierung ist eine effektive Technik, um die Realität zu überbrückenLücke und Gewährleistung eines effektiven Transfers von simulationstrainierten Agenten in die reale Welt.In diesem Artikel entwickeln wir einen vollständig autonomen, visionsbasierten DRL-Agenten, der angesichts komplexer, ungenauer und dynamischer Verkehrsumgebungen eine adaptive Signalsteuerung erreichtDer Agent verwendet visuelle Live-Daten dh einen Strom von Echtzeit-RGB-Aufnahmen von einer Kreuzung, um umfassend wahrzunehmen und sanschließend auf das Verkehrsumfeld einwirken.Unter Verwendung von Domänen-Randomisierung untersuchen wir die Generalisierungsfähigkeiten unseres Agenten unter unterschiedlichen Verkehrsbedingungen sowohl in der Simulation als auch in realen Umgebungen.In einem vielfältigen, von Trainingsdaten unabhängigen Validierungsset passte sich unser Verkehrssteuerungsagent zuverlässig an neuartige Verkehrssituationen an und zeigte trotz des reinen Simulationstrainings eine positive Übertragung auf zuvor nicht gesehene reale Kreuzungen.