Deep城市︱机器学习帮助优化交通流并减少交通排放应用两例

用户1621951

发布于 2019-06-06 11:03:00

1.2K0

发布于 2019-06-06 11:03:00

文章被收录于专栏：数据魔术师数据魔术师数据魔术师

原文 | Julie Chao

翻译 | 王天实、史晨虹、张书婧

文献 | 鲁雯卓 校核 | 众山小

编辑 | 众山小 排版 | 大河马

微博 | weibo.com/sustainablecity

一览导读

将人工智能应用于自动驾驶汽车来使交通平稳运行，减少燃料消耗，并改善空气质量监测模型，可能听起来像科幻小说，但伯克利实验室的研究人员和加州伯克利分校合作，已经启动了两个研究项目来做这件事。第一个项目利用强化学习来使自动驾驶汽车以一种增加交通流量，减小能源消耗的方式行驶；第二个项目使用深度强化学习来分析卫星图像，结合来自手机的交通信息和环境监测器收集的数据来改善空气质量预测。本文从介绍了深度强化学习在两个项目的应用与其内在机理；相信终将有一天，这种前沿科技将会成为未来的标准。

阅读正文

题图（图片来源：iStock.com/timoph）

将人工智能应用于自动驾驶汽车来使交通平稳运行，减少燃料消耗，并改善空气质量监测模型，可能听起来像科幻小说，但美国能源部的劳伦斯伯克利国家实验室（伯克利实验室）的研究人员已经启动了两个研究项目来做这件事。

与加州伯克利分校的合作中，伯克利实验室的科学家们应用深度强化学习——一种训练控制器的计算工具，来使交通更具可持续性。第一个项目利用强化学习来使自动驾驶汽车以一种增加交通流量，减小能源消耗的方式行驶。第二个项目使用深度强化学习来分析卫星图像，结合来自手机的交通信息和环境监测器收集的数据，来改善空气质量预测。

“美国30%的能源被用在乘客和货物运输，这些能源的消耗导致了环境污染，包括大约一半的氮氧化物排放、特殊物质和臭氧的前身，以及烟尘排放。”Tom Kirchstetter这样说，他是伯克利实验室的能源分析和环境影响部门的主任、加州伯克利分校的兼职教授、这个研究团队的一员。“将机器学习技术应用到运输和环境是一种新的前沿科技，可以为能源以及人类的健康带来重要的益处。”

利用Flow使交通平稳运行

交通平稳项目，又称CIRCLES，是在拉格朗日能量平滑中通过在车流环中的自动驾驶车辆来减轻拥堵。它由伯克利实验室研究员、加州伯克利分校电气工程和计算机科学的教授和加州伯克利大学交通研究所的所长 Alexandre Bayen领导。CIRCLES项目基于一个名为Flow (https://flow-project.github.io/)的软件框架，这是一种首创的软件框架，由Bayen的学生团队和博士后研发人员开发，允许研究人员发现和评估优化流量的方案。使用一种最先进的开源卫星仿真器，Flow可以模拟成千上万的人工驾驶和自动驾驶党的汽车，在自定义的交通场景中行驶。

“城市的潜力巨大。而实验证明只要很小一部分道路上的车辆转化为自动驾驶车辆，就有可能节约较大的能源消耗。我们可以用我们的算法来进一部优化它。”Bayen说。

Flow在2017推出，并在9月向公众发布，基准测试将于2019年1月发布（参考文献1-6，请后台留言联系我们下载）。在实验室指导研究和开发计划的资助下，Bayen和他的团队将使用Flow控制器设计、测试和部署第一个连接自动驾驶车辆（CAV）系统，来减少高速公路上停止-运行的交通拥堵。

强化学习减少城市拥堵机理分析

十年前，日本研究者曾经做过一个简单的实验，要求二十名驾驶员以30km/h的速度排队环行。实验刚开始，车队平稳运行，但是30秒后，明显的波形开始形成，并且已经有车辆开始静止不前。这个实验给近期的研究者以启发，认为自动驾驶对于交通平稳运行有着积极的影响。

视频内容

视频一、22位人类驾驶者的环形驾驶实验

“驾驶员在不到一分钟内要经历停止-运行这一系列的震荡，”Bayen说。“这个实验引发了成百上千的研究者对此现象进行思考。”二十二个驾驶员在数秒的时间内便自发形成了交通冲击波。每个自动驾驶车辆使用Flow控制器，用以保持交通平稳运行。

图二、Flow：交通控制中强化学习的架构和基准

去年，来自Vanderbilt大学的Dan Work团队重复了这个实验，不过做了一点改变：他们在这个车流环中增加了一个自动驾驶车辆。

视频内容

视频二、21位人类驾驶者和1位自动驾驶的环形驾驶实验

为什么要这么做呢？“自动驾驶懂得加速赶超前车会增加整个交通流的不稳定性，所以它更倾向于扮演一个交通流中的稳定者，这样就不会增加系统的不稳定性。”Bayen说。深度强化学习已经被用于训练电脑下围棋以及进行机器人的障碍训练(视频三)。“训练时对系统进行观察，并且对一系列行动进行迭代分析，从而判定行动的结果，并从中选择最优解进行实现”，Bayen团队研究生，同时也是Flow的研发者之一的Eugene Vinitsky解释道。

视频内容

视频三、深度学习被应用与训练机器人翻越障碍物

在交通案例中，Flow训练机动车检查前后临近车辆状态。“系统对多种状态进行试验，可以做到加减速或者变换车道等动作，”Vinitsky解释道。“向系统提供一个交通停滞或者交通顺畅的反馈信号，系统将会修正它在此交通状态下的行为。”

有了CIRCLES项目的实验结果，Bayen团队计划首先运行模拟机，利用自动驾驶算法计算能量节约结果。之后，他们将结合驾驶员对自动驾驶算法实时命令反馈进行实际测验。

深空计划

DeepAir（Deep Learning and Satellite Imaginary to Estimate Air Quality Impact at Scale）深空这个污染物管理项目，是借助深度学习和卫星影像评估空气质量在大尺度地理范围的影响。该项目是由加州伯克利分校城规系教授，伯克利实验室研究员Marta Gonzales所领导的，在过往的研究中Marta Gonzales曾通过手机数据来研究人们在城市中是如何移动的，并推出电动车辆方案以此来节能、降低成本。关于这个项目，Marta将结合手机监测到的交通数据和环境监测站收集的数据利用深度学习的强大功能来分析卫星图像。

“新奇点在于虽然用于研究污染物与天气相互影响(如风速、压力、降水和温度)的环境模型已经研发多年，但仍有一个缺点”，Gonzalez提到，“为保证其可靠性，模型需要详细的记录哪些(污染物)因素进入大环境，比如车辆和发电厂的排放”。

“目前有新的数据来源，比如手机、合成卫星影像。我们使用应用于计算机视觉化的机器学习模型来进一步处理和编译这些信息。深空的新奇点在于合成信息能有助于理解复杂自然系统在大范围上的交互作用。”

研究员预计由此得到的分析可知污染物的来源和扩散方式，并终将制订出更有效及时的干预措施。例如，湾区的“备用空气”日，旨在自愿进行交通限流，或者其他城市有计划的对交通流量、工业排放进行限制。

虽然就目前而言，使用算法来控制车辆交通听上去不可思议，但Bayen认为科技终将朝这个方向前进，“我相信10年之内，随着更多无人驾驶车辆上路，当下我们的行为将成为未来的标准。”

一览编者按：

美国劳伦斯伯克利国家实验室通过推进可持续能源，守护人类健康，开发新能源，以及探索宇宙起源进程，以此来应对世界上最为严峻的科学性挑战。伯克利实验室成立于1931年，已有13位科学家获得了诺贝尔奖。加州大学受美国能源部科学办公室之邀管理伯克利实验室。更多信息请访问 www.lbl.gov. 美国能源部科学办公室是美国物理基础研究最大的支持者，并致力于解决当下最严峻的问题。更多信息请访问: science.energy.gov.

一览众山小