十字路口的红绿灯都是由简单的电脑分配方式不冲突的方向的权利。然而,研究在城市旅行时间显示延误造成的十字路口12 - 55%的日常通勤旅行,这可以减少如果这些控制器的操作可以更有效避免不必要的等待时间。
沽尼博士领导的研究小组沙龙,教授计算机科学与工程系德州农工大学开发了一种自学习系统,利用机器学习来提高车辆通过路口的协调。
研究人员在《美国》上发表他们的发现2020年国际会议上自治代理和多重代理系统。
今天许多交通信号配有信号控制器,本质上是一个十字路口的“大脑”。它们与各种时间设置程序告诉交通显示何时改变颜色根据一天中不同的时间和交通运动。这给信号处理流量波动的能力在一天以减少交通拥堵。
最近的研究表明学习算法,基于一个概念在心理学称为强化学习有利的结果回报,可用于优化控制器的信号。这种策略使控制器做出一系列的决定,学习什么行动改善其操作在现实世界中。在这个实例中,结果将会是减少交通延误的现象。
但莎伦指出,这些优化控制器在现实世界中并不实用,因为底层操作控制过程数据如何使用深层神经网络(款),这是一个类型的机器学习算法。它们通常用于培训和推广一个控制器的驱动政策,即决策(或控制)函数来决定下一步应该采取什么行动基于当前形势的。它包括几个传感器,给信息的当前状态的十字路口。
尽管他们是多么强大,款是非常不可预测的和不一致的决策。试图理解他们为什么采取某些行动而不是其他交通工程师是一个繁琐的过程,进而使他们很难调节和理解不同的政策。
克服这一点,沙龙和他的团队定义和验证这种方法可以成功地训练实时款而将它从观察现实世界到一个不同的控制功能,能够被理解和由工程师。
使用模拟一个真正的交集,研究小组发现,他们的方法是特别有效的优化可判断的控制器,从而导致了车辆延误减少19.4%相比,通常部署信号控制器。
尽管他们的方法的有效性,研究人员注意到,当他们开始训练控制器它花了大约两天时间了解行动实际上帮助缓解交通拥堵从四面八方。
“我们未来的工作将检查跳起动控制器的技术学习过程通过观察目前部署的操作控制器,同时保证基线水平的性能和学习,”莎朗说。
其他贡献者本研究包括约西亚·汉纳博士研究助理在爱丁堡大学信息学院和詹姆斯·奥尔特,博士生在π明星德克萨斯A&M大学实验室。