Maskinlæring for at optimere trafikken og reducere forurening

Anvendelse af kunstig intelligens på selvkørende biler for at lette trafikken, reducere brændstofforbruget, og forbedre forudsigelser af luftkvalitet kan lyde som science fiction, men forskere ved Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab) har iværksat to forskningsprojekter for at gøre netop det.

I samarbejde med UC Berkeley, Berkeley Lab-forskere bruger dyb forstærkningslæring, et beregningsværktøj til uddannelse af controllere, at gøre transporten mere bæredygtig. Et projekt bruger dyb forstærkningslæring til at træne autonome køretøjer til at køre på måder, der samtidig forbedrer trafikafviklingen og reducerer energiforbruget. En anden bruger deep learning-algoritmer til at analysere satellitbilleder kombineret med trafikinformation fra mobiltelefoner og data, der allerede indsamles af miljøsensorer for at forbedre forudsigelser af luftkvalitet.

"Tredive procent af energiforbruget i USA er at transportere mennesker og varer, og dette energiforbrug bidrager til luftforurening, inklusive cirka halvdelen af ​​alle nitrogenoxidemissioner, en forløber for særligt stof og ozon – og sort kulstof (sod) emissioner, sagde Tom Kirchstetter, direktør for Berkeley Labs division for energianalyse og miljøpåvirkninger, en adjungeret professor ved UC Berkeley, og medlem af forskergruppen.

"At anvende maskinlæringsteknologier til transport og miljø er en ny grænse, der kan betale sig betydeligt – for energi såvel som for menneskers sundhed."

Trafikudjævning med Flow

Det trafikudjævnende projekt, døbt CIRCLES, eller reduktion af trængselspåvirkning via CAV-in-the-loop Lagrangian Energy Smoothing, ledes af Berkeley Lab-forsker Alexandre Bayen, som også er professor i elektroteknik og datalogi ved UC Berkeley og direktør for UC Berkeley's Institute of Transportation Studies. CIRCLES er baseret på en softwareramme kaldet Flow, udviklet af Bayens hold af studerende og post-doc-forskere.

Flow er en første af sin slags softwareramme, der giver forskere mulighed for at opdage og benchmarke skemaer til optimering af trafik. Ved hjælp af en state-of-the-art open source mikrosimulator, Flow kan simulere hundredtusindvis af køretøjer – nogle drevet af mennesker, andre autonome - kørsel i brugerdefinerede trafikscenarier.

”Potentialet for byer er enormt, " sagde Bayen. "Eksperimenter har vist, at energibesparelserne med kun en lille procentdel af køretøjer på vejen, der er autonome, kan være enorme. Og vi kan forbedre det endnu mere med vores algoritmer."

Flow blev lanceret i 2017 og udgivet til offentligheden i september, og benchmarks frigives i denne måned. Med finansiering fra Laboratory Directed Research and Development-programmet, Bayen og hans team vil bruge Flow til at designe, prøve, og implementer det første tilsluttede og CAV-aktiverede system til aktivt at reducere stop-and-go fantom trafikpropper på motorveje.

Hvordan forstærkende læring kan reducere overbelastning

Noget af den nuværende forskning i at bruge autonome køretøjer til at udjævne trafikken var inspireret af et simpelt eksperiment udført af japanske forskere for 10 år siden, hvor omkring 20 menneskelige bilister blev instrueret i at køre i en ring med 20 km/t. Til at begynde med går alle glat, men inden for 30 sekunder, trafikbølgerne starter og biler går i stå.

"Du har stop-and-go-oscillation inden for mindre end et minut, "Bayen sagde." Dette eksperiment førte til, at hundredvis, hvis ikke tusinder af forskningsartikler, forsøgte at forklare, hvad der sker. "

Et team af forskere under ledelse af Dan Work fra Vanderbilt University gentog det samme eksperiment sidste år, men foretog en ændring:de tilføjede et enkelt autonomt køretøj i ringen. Så snart automatiseringen er slået til, svingningerne udjævnes straks.

Hvorfor? "Automatiseringen forstår i bund og grund ikke at accelerere og indhente den forrige person - hvilket ville forstærke ustabiliteten - men snarere at opføre sig som en flow sut, i det væsentlige udjævning ved at begrænse trafikken, så det ikke forstærker ustabiliteten, " sagde Bayen.

Dyb forstærkningslæring er blevet brugt til at træne computere til at spille skak og til at lære en robot at løbe en forhindringsbane. Det træner ved at "tage observationer af systemet, og derefter iterativt prøve en masse handlinger, at se om de er gode eller dårlige, og derefter vælge, hvilke handlinger den skal prioritere, " sagde Eugene Vinitsky, en kandidatstuderende, der arbejder med Bayen og en af ​​Flows udviklere.

I tilfælde af trafik, Flow træner køretøjer for at kontrollere, hvad bilerne lige foran og bagved laver. "Den afprøver forskellige ting - den kan accelerere, bremse, eller skifte bane, for eksempel, "Forklarer Vinitsky." Du giver det et belønningssignal, synes godt om, var trafikken stoppet eller forløb jævnt, og den forsøger at korrelere, hvad den gjorde med trafikkens tilstand. "

Med CIRCLES-projektet, Bayen og hans team planlægger først at køre simuleringer for at bekræfte, at der er betydelige energibesparelser ved at bruge algoritmerne i autonome køretøjer. Dernæst vil de køre en felttest af algoritmen med menneskelige drivere, der reagerer på realtidskommandoer.

DeepAir

Forureningsprojektet, navngivet DeepAir (Deep Learning and Satellite Imaginary to Estimate Air Quality Impact at Scale), ledes af Berkeley Lab-forsker Marta Gonzalez, som også er professor i UC Berkeleys by- og regionalplanlægningsafdeling. I tidligere forskning, hun har brugt mobiltelefondata til at studere, hvordan folk bevæger sig rundt i byer og til at anbefale opladningsordninger for elbiler for at spare energi og omkostninger.

Til dette projekt, hun vil udnytte kraften ved deep learning-algoritmer til at analysere satellitbilleder kombineret med trafikinformation fra mobiltelefoner og data, der allerede indsamles af miljøovervågningsstationer.

"Det nye her er, at mens miljømodellerne, som viser samspillet mellem forurenende stoffer og vejret – såsom vindhastighed, tryk, nedbør, og temperatur – er blevet udviklet i årevis, der mangler en brik, "Sagde Gonzalez." For at være pålidelig, disse modeller skal have gode fortegnelser over, hvad der kommer ind i miljøet, såsom emissioner fra køretøjer og kraftværker.

"We bring novel data sources such as mobile phones, 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. For eksempel, 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, " han sagde.