Applicare l'intelligenza artificiale alle auto a guida autonoma per regolare il traffico, ridurre il consumo di carburante, e migliorare le previsioni sulla qualità dell'aria può sembrare roba da fantascienza, ma i ricercatori del Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento dell'Energia hanno lanciato due progetti di ricerca per fare proprio questo.

In collaborazione con l'Università di Berkeley, Gli scienziati del Berkeley Lab utilizzano l'apprendimento per rinforzo profondo, uno strumento di calcolo per l'addestramento dei controllori, per rendere i trasporti più sostenibili. Un progetto utilizza l'apprendimento per rinforzo profondo per addestrare i veicoli autonomi a guidare in modo da migliorare contemporaneamente il flusso del traffico e ridurre il consumo di energia. Un secondo utilizza algoritmi di deep learning per analizzare le immagini satellitari combinate con le informazioni sul traffico dai telefoni cellulari e i dati già raccolti dai sensori ambientali per migliorare le previsioni sulla qualità dell'aria.

"Il trenta per cento del consumo di energia negli Stati Uniti è per il trasporto di persone e merci, e questo consumo di energia contribuisce all'inquinamento atmosferico, compresa circa la metà di tutte le emissioni di ossido di azoto, un precursore di particolari emissioni di materia e ozono - e black carbon (fuliggine), " ha detto Tom Kirchstetter, Direttore della Divisione Analisi Energetica e Impatti Ambientali del Berkeley Lab, un professore a contratto presso l'UC Berkeley, e un membro del gruppo di ricerca.

"L'applicazione delle tecnologie di apprendimento automatico ai trasporti e all'ambiente è una nuova frontiera che potrebbe dare risultati significativi, sia per l'energia che per la salute umana".

Livellamento del traffico con Flow

Il progetto di livellamento del traffico, soprannominato CERCHI, o riduzione dell'impatto della congestione tramite il livellamento energetico lagrangiano CAV-in-the-loop, è guidato dal ricercatore del Berkeley Lab Alexandre Bayen, che è anche professore di ingegneria elettrica e informatica presso l'Università di Berkeley e direttore dell'Istituto di studi sui trasporti dell'Università di Berkeley. CIRCLES si basa su un framework software chiamato Flow, sviluppato dal team di studenti e ricercatori post-dottorato di Bayen.

Flow è un framework software unico nel suo genere che consente ai ricercatori di scoprire e confrontare schemi per l'ottimizzazione del traffico. Utilizzando un microsimulatore open source all'avanguardia, Il flusso può simulare centinaia di migliaia di veicoli, alcuni guidati da esseri umani, altri autonomi:guida in scenari di traffico personalizzati.

"Il potenziale per le città è enorme, " ha affermato Bayen. "Gli esperimenti hanno dimostrato che il risparmio energetico con solo una piccola percentuale di veicoli su strada autonomi può essere enorme. E possiamo migliorarlo ulteriormente con i nostri algoritmi".

Flow è stato lanciato nel 2017 e rilasciato al pubblico a settembre, e i benchmark verranno rilasciati questo mese. Con il finanziamento del programma Laboratory Directed Research and Development, Bayen e il suo team utilizzeranno Flow per progettare, test, e implementare il primo sistema abilitato per veicoli connessi e autonomi (CAV) per ridurre attivamente gli ingorghi fantasma sulle autostrade.

In che modo l'apprendimento per rinforzo può ridurre la congestione

Alcune delle ricerche attuali sull'utilizzo di veicoli autonomi per regolare il traffico sono state ispirate da un semplice esperimento condotto da ricercatori giapponesi 10 anni fa in cui a circa 20 conducenti umani è stato chiesto di guidare in un anello a 20 mph. All'inizio tutti procedono senza intoppi, ma entro 30 secondi, iniziano le ondate di traffico e le auto si fermano.

"Hai un'oscillazione stop-and-go in meno di un minuto, " ha detto Bayen. "Questo esperimento ha portato a centinaia se non migliaia di documenti di ricerca per cercare di spiegare cosa sta succedendo".

Un team di ricercatori guidato da Dan Work della Vanderbilt University ha ripetuto lo stesso esperimento l'anno scorso, ma ha apportato una modifica:ha aggiunto un singolo veicolo autonomo sul ring. Non appena si accende l'automazione, le oscillazioni vengono immediatamente smussate.

Come mai? "L'automazione capisce essenzialmente di non accelerare e raggiungere la persona precedente - il che amplificherebbe l'instabilità - ma piuttosto di comportarsi come un ciuccio di flusso, essenzialmente l'attenuazione limitando il traffico in modo da non amplificare l'instabilità, " ha detto Bayen.

L'apprendimento per rinforzo profondo è stato utilizzato per addestrare i computer a giocare a scacchi e per insegnare a un robot come eseguire un percorso a ostacoli. Si allena "prendendo osservazioni del sistema, e poi provare in modo iterativo una serie di azioni, vedere se sono buoni o cattivi, e poi scegliere a quali azioni dovrebbe dare la priorità, " disse Eugenio Vinitsky, uno studente laureato che lavora con Bayen e uno degli sviluppatori di Flow.

In caso di traffico, Flow addestra i veicoli per controllare cosa stanno facendo le auto direttamente davanti e dietro di loro. "Prova cose diverse:può accelerare, decelerare, o cambiare corsia, Per esempio, " Spiegò Vinitsky. "Gli dai un segnale di ricompensa, Come, il traffico è stato interrotto o scorreva senza intoppi, e cerca di correlare ciò che stava facendo allo stato del traffico."

Con il progetto CIRCLES, Bayen e il suo team hanno in programma di eseguire prima delle simulazioni per confermare che un significativo risparmio energetico deriva dall'utilizzo degli algoritmi nei veicoli autonomi. Successivamente eseguiranno un test sul campo dell'algoritmo con i conducenti umani che rispondono ai comandi in tempo reale.

DeepAir

Il progetto inquinamento denominato DeepAir (Deep Learning and Satellite Imaginary to Estimate Air Quality Impact su larga scala), è guidato dalla ricercatrice del Berkeley Lab Marta Gonzalez, che è anche professore nel dipartimento di pianificazione urbana e regionale dell'Università di Berkeley. Nelle ricerche passate, ha utilizzato i dati del cellulare per studiare come le persone si spostano nelle città e per consigliare schemi di ricarica dei veicoli elettrici per risparmiare energia e costi.

Per questo progetto, sfrutterà la potenza degli algoritmi di deep learning per analizzare le immagini satellitari combinate con le informazioni sul traffico dei telefoni cellulari e i dati già raccolti dalle stazioni di monitoraggio ambientale.

"La novità qui è che mentre i modelli ambientali, che mostrano l'interazione degli inquinanti con il tempo, come la velocità del vento, pressione, precipitazione, e temperatura – sono stati sviluppati per anni, c'è un pezzo mancante, " Gonzalez ha detto. "Per essere affidabile, quei modelli devono avere buoni inventari di ciò che sta entrando nell'ambiente, come le emissioni dei veicoli e delle centrali elettriche.

"Portiamo nuove fonti di dati come telefoni cellulari, integrato con immagini satellitari. Per elaborare e interpretare tutte queste informazioni, utilizziamo modelli di machine learning applicati alla visione artificiale. 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. Per esempio, 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, " Egli ha detto.