Роботизированные транспортные средства могут оптимизировать движение в городах, даже когда они смешаны с автомобилями, управляемыми людьми, тем самым улучшая эффективность движения, безопасность и потребление энергии, как показали мои коллеги и я.
Роботизированные транспортные средства уже не являются концепцией из научной фантастики: с 2016 года города по всему миру тестируют автономные роботакси. С увеличением числа робомобилей на дорогах и предсказуемым длительным переходным периодом от смешанного движения к полностью автономному, моя команда и я задались вопросом, могут ли робомобили и их взаимодействие с автомобилями, управляемыми людьми, облегчить сегодняшние пресловутые проблемы с движением.
Я ученый в области компьютерных наук, изучающий искусственный интеллект для транспорта и умных городов. Мои коллеги и я предположили, что по мере увеличения числа робомобилей в движении, мы можем использовать ИИ для разработки алгоритмов управления сложной системой смешанного движения. Эти алгоритмы не только позволят всем транспортным средствам плавно перемещаться из точки А в точку Б, но и, что более важно, оптимизировать общее движение, позволяя робомобилям влиять на автомобили, управляемые людьми.
Чтобы проверить нашу гипотезу, мы использовали отрасль ИИ, известную как обучение с подкреплением, при котором интеллектуальный агент учится максимизировать совокупные вознаграждения через взаимодействие со своей средой. Задавая вознаграждения для симулированных робомобилей с приоритетом на цели, такие как эффективность движения или потребление энергии, наши эксперименты показали, что мы можем эффективно управлять смешанным движением на сложных реальных перекрестках в условиях реального трафика в симуляции.
Наш алгоритм учит робомобили оптимизировать поток движения, взаимодействуя друг с другом. Коллективная система автомобилей стремится к плавному движению, даже когда каждый отдельный автомобиль решает, когда въехать на перекресток, исходя из своего непосредственного окружения. Поскольку робомобили распределены среди автомобилей, управляемых людьми, весь трафик оказывается под воздействием алгоритма.
Мы обнаружили, что при наличии всего 5% робомобилей в нашем моделировании пробки исчезают. Удивительно, но наш подход также показал, что при наличии 60% робомобилей в движении эффективность движения превосходит движение, контролируемое светофорами.
Дорожная ситуация ухудшается во всех крупных городах мира, что приводит к значительным экономическим и экологическим затратам. Это одна из самых сложных проблем, с которыми сталкивается общество сегодня. Существующие методы управления движением, такие как светофоры, имеют ограниченную эффективность в сокращении задержек и пробок.
Роботизированные автомобили с ИИ предлагают потенциальное решение, но существующие исследования часто предполагают универсальную связь и централизованное управление всеми робомобилями, что маловероятно в ближайшем будущем. Переход к полностью автономному движению, скорее всего, будет постепенным, что приведет к длительному периоду смешанного движения с участием как робомобилей, так и автомобилей, управляемых людьми.
Это побудило нас разработать алгоритмы управления, которые используют роботизированные автомобили для извлечения общественных преимуществ от автономных транспортных систем без необходимости делать все или даже большинство автомобилей автономными.
Недавние исследования продемонстрировали потенциал управления смешанным движением в таких сценариях, как кольцевые дороги, дороги в виде восьмерки, узкие места на автомагистралях и слияния потоков, двухсторонние перекрестки и круговые движения. Однако эти сценарии обычно не обладают реальной сложностью и включают только ограниченное количество автомобилей, которые необходимо координировать.
Наша работа впервые демонстрирует возможность управления смешанным движением с помощью робомобилей на сложных реальных перекрестках. Способность управлять движением на этих перекрестках является важным шагом на пути к городскому управлению трафиком.
Мы планируем расширить нашу систему, чтобы включить дополнительные модели поведения робомобилей, такие как частая смена полосы движения. Мы также планируем протестировать наш подход на различных типах перекрестков и хотим испытать его в условиях реальной связи между транспортными средствами.
В конечном итоге наша цель — достичь эффективного и результативного управления смешанным движением на уровне городов.
