MIT 연구원들은 AI를 사용하여 자율주행차가 빨간 신호등에 공회전하지 않도록 돕습니다.

자동차 운전자가 매번 신호등을 통과할 수 있도록 정확한 여행 일정을 계획할 수 있다면 어떨까요?

이 일은 특히 운이 좋은 상황에서 인간 운전자에게만 일어날 수 있지만 AI를 사용하는 자율주행차에서도 가능합니다. 속도 제어가보다 안정적으로 구현됩니다.

매사추세츠 공과대학(MIT)의 과학자들이 새로운 연구에서 기계 학습 접근 방식을 보여줍니다. 이 방법은 신호가 있는 교차로에 접근하고 통과할 때 교통 흐름을 유지하기 위해 자율 차량을 제어하는 ​​방법을 배울 수 있습니다.

시뮬레이션 결과에 따르면, 그들의 방법은 평균 차량 속도를 높이는 동시에 연료 소비와 배출을 줄일 수 있습니다. 이 기술은 도로 위의 모든 자동차가 자율주행차일 때 가장 잘 작동할 것이지만, 자동차의 25%만이 제어 알고리즘을 사용하더라도 여전히 엄청난 연료 및 배기가스 배출 이점을 가져올 것입니다.

“이곳은 개입하기에 정말 흥미로운 곳입니다. 교차로에 갇혀 있기 때문에 누구도 삶의 질이 나아질 수 없습니다. 다른 많은 기후 변화 개입에는 예상되는 삶의 질 차이가 있습니다. 거기로 들어가세요."라고 이번 연구의 수석 저자인 Cathy Wu가 말했습니다. 그는 토목환경공학과 길버트 W. 윈슬로 경력개발 조교수이자 데이터시스템사회연구소(IDSS)와 정보결정시스템연구소(LIDS) 회원인 것으로 알려졌다.

LIDS와 전기 공학 및 컴퓨터 과학과 대학원생 Vindula Jayawardana는 모두 이 연구의 첫 번째 저자입니다. 해당 연구는 유럽 통제 회의(European Control Conference)에서 발표될 예정이다.

복잡한 교차로

인간은 녹색 신호등에도 아무 생각 없이 운전할 수 있지만, 교차로 수는 차선 수, 신호등 작동 방식, 차량 수와 속도, 보행자 및 자전거 이용자의 존재 여부에 따라 수십억 가지의 다양한 상황에서 발생할 수 있습니다. , 등.

교차로 제어 문제를 해결하는 일반적인 접근 방식은 수학적 모델을 사용하여 간단하고 이상적인 교차로를 해결하는 것입니다. 이는 서류상으로는 좋아 보이지만 교통 패턴이 종종 혼란스러운 현실 세계에서는 유지되지 않을 가능성이 높습니다.

Wu와 Jayawardana는 이 문제를 해결하기 위해 모델이 없는 기술인 심층 강화 학습을 사용했습니다. 강화 학습은 제어 알고리즘이 일련의 결정을 내리는 방법을 학습하는 시행착오 방법입니다. 좋은 시퀀스를 찾으면 보상을 받습니다. 심층 강화 학습을 통해 알고리즘은 신경망에서 학습한 가설을 사용하여 수십억 개의 가능성이 있더라도 좋은 시퀀스에 대한 지름길을 찾습니다.

이는 이와 같은 장기적인 문제를 해결하는 데 유용합니다. Wu는 제어 알고리즘이 장기간에 걸쳐 차량에 500개 이상의 가속 명령을 내려야 한다고 지적했습니다. 게다가 그녀는 다음과 같이 덧붙였습니다. "그리고 우리는 배출을 잘 완화했고 좋은 속도로 교차로에 있다는 것을 알기 직전에 시퀀스를 얻어야 합니다.

하지만 여기에는 문제가 있는데, 그것이 바로 연구원들이 활성화하기를 원하는 것입니다." 연료 소비를 줄이고 이동 시간에 미치는 영향을 제한하기 위한 전략을 학습하는 시스템입니다. 이러한 목표는 서로 충돌할 수 있습니다.

"이동 시간을 줄이기 위해 우리는 자동차가 빠르게 주행하기를 원하지만 배기가스를 줄이기 위해 자동차가 속도를 늦추거나 전혀 움직이지 않기를 원합니다. 이러한 경쟁 보상은 학습 에이전트에게 매우 혼란스러울 수 있습니다."라고 Wu는 말했습니다.

이 문제의 일반성을 해결하는 것은 어려운 일이지만, 연구원들은 이 문제를 해결하기 위해 보상 형성이라는 기술을 사용했습니다. 보상 형성을 통해 시스템이 스스로 학습할 수 없는 일부 도메인 지식을 시스템에 제공합니다. 이 경우 차량이 완전히 정지할 때마다 시스템을 처벌하여 이러한 동작을 피하는 방법을 학습합니다.

교통 테스트

연구원들이 효과적인 제어 알고리즘을 개발하면 단일 교차로가 있는 교통 시뮬레이션 플랫폼을 사용하여 이를 평가합니다. 제어 알고리즘은 다가오는 신호등과 통신하여 신호등으로부터 위상 및 타이밍 정보를 수신하고 주변을 관찰할 수 있는 네트워크로 연결된 자율주행 차량에 적용됩니다. 제어 알고리즘은 각 차량에 가속 및 감속 방법을 알려줍니다.

그들의 시스템은 차량이 교차로에 접근할 때 정지 및 이동 교통을 유발하지 않았습니다. 시뮬레이션에서는 인간 운전자를 시뮬레이션하는 모델보다 단일 신호등 단계에서 더 많은 차량이 통과했습니다. 정차 및 이동을 방지하는 것을 목표로 하는 다른 최적화 방법과 비교할 때, 이 기술은 연료 소비 및 배기가스 배출을 훨씬 더 크게 줄여줍니다. 도로 위의 모든 자동차가 자율주행차라면 제어 시스템은 연료 소비를 18%, CO2 배출량을 25% 줄이면서 20% 더 빠르게 운전할 수 있습니다.

Wu는 다음과 같이 말했습니다. “한 번의 개입으로 연료나 배출량이 20~25% 감소한다는 것은 정말 놀라운 일입니다. 하지만 제가 흥미롭고 보고 싶은 것은 이러한 비선형 확장입니다. 차량의 25%만 제어하면 연료와 배기가스 배출이 50% 감소합니다. 이는 이 접근 방식의 이점을 얻기 위해 100% 자율주행차에 도달할 때까지 기다릴 필요가 없다는 것을 의미합니다.”

다음으로 연구원들은 희망합니다. 여러 교차점 간의 상호작용 효과를 연구합니다. 또한 차선 수, 신호등, 타이밍 등과 같은 다양한 교차로 설정이 이동 시간, 배기가스 및 연료 소비에 어떤 영향을 미치는지 조사할 계획입니다. 또한 자율주행차가 인간 운전자와 도로를 공유할 때 제어 시스템이 안전에 어떤 영향을 미치는지 연구할 계획입니다.

이 작업은 아직 초기 단계이지만 Wu는 이 접근 방식이 가까운 시일 내에 구현이 더 실현 가능하다고 믿습니다.

위 내용은 MIT 연구원들은 AI를 사용하여 자율주행차가 빨간 신호등에 공회전하지 않도록 돕습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!