Att tillämpa artificiell intelligens på självkörande bilar för smidig trafik, minska bränsleförbrukningen, och förbättra luftkvalitetsförutsägelser kan låta som science fiction, men forskare vid Department of Energy Lawrence Berkeley National Laboratory (Berkeley Lab) har startat två forskningsprojekt för att göra just det.

I samarbete med UC Berkeley, Berkeley Lab-forskare använder djup förstärkningsinlärning, ett beräkningsverktyg för att träna kontrollanter, för att göra transporterna mer hållbara. Ett projekt använder djup förstärkningsinlärning för att träna autonoma fordon att köra på ett sätt som samtidigt förbättrar trafikflödet och minskar energiförbrukningen. En andra använder algoritmer för djupinlärning för att analysera satellitbilder i kombination med trafikinformation från mobiltelefoner och data som redan samlas in av miljösensorer för att förbättra förutsägelser av luftkvaliteten.

"Trettio procent av energianvändningen i USA är att transportera människor och varor, och denna energiförbrukning bidrar till luftföroreningar, inklusive ungefär hälften av alla kväveoxidutsläpp, en föregångare till visst ämne och ozon – och svarta kol (sot) utsläpp, sa Tom Kirchstetter, direktör för Berkeley Labs division för energianalys och miljöpåverkan, en adjungerad professor vid UC Berkeley, och en medlem av forskargruppen.

"Att tillämpa maskininlärningsteknik på transport och miljö är en ny gräns som kan ge betydande utdelning - både för energi och för människors hälsa."

Trafikutjämning med Flow

Trafikutjämningsprojektet, dubbade CIRCLES, eller minskning av trängselpåverkan via CAV-in-the-loop Lagrangian Energy Smoothing, leds av Berkeley Lab-forskaren Alexandre Bayen, som också är professor i elektroteknik och datavetenskap vid UC Berkeley och chef för UC Berkeleys Institute of Transportation Studies. CIRCLES är baserat på ett mjukvaru ramverk som heter Flow, utvecklat av Bayens team av studenter och postdoktorala forskare.

Flow är ett första i sitt slag mjukvaruramverk som gör det möjligt för forskare att upptäcka och benchmarka system för att optimera trafik. Med hjälp av en toppmodern mikrosimulator med öppen källkod, Flow kan simulera hundratusentals fordon – några körda av människor, andra autonoma - körning i anpassade trafikscenarier.

"Potentialen för städer är enorm, ", sa Bayen. "Experiment har visat att energibesparingarna med bara en liten andel av fordonen på vägen som är autonoma kan vara enorma. Och vi kan förbättra det ytterligare med våra algoritmer."

Flow lanserades 2017 och släpptes för allmänheten i september, och riktmärkena släpps denna månad. Med finansiering från Laboratory Directed Research and Development-programmet, Bayen och hans team kommer att använda Flow för att designa, testa, och distribuera det första anslutna och autonoma fordonet (CAV) för att aktivt minska stopp-och-gå-fantomstrafik på motorvägar.

Hur förstärkningslärande kan minska trängsel

En del av den aktuella forskningen om att använda autonoma fordon för att jämna ut trafiken inspirerades av ett enkelt experiment som gjordes av japanska forskare för 10 år sedan där cirka 20 mänskliga förare instruerades att köra i en ring vid 20 mph. Till en början går alla smidigt, men inom 30 sekunder, trafikvågorna startar och bilar stannar.

"Du har stopp-och-gå-oscillation inom mindre än en minut, Bayen sa. "Detta experiment ledde till hundratals om inte tusentals forskningsartiklar för att försöka förklara vad som händer."

Ett team av forskare under ledning av Dan Work från Vanderbilt University upprepade samma experiment förra året men gjorde en ändring:de lade till ett enda autonomt fordon i ringen. Så snart automatiken är påslagen, svängningarna jämnas ut omedelbart.

Varför? "Automatiseringen förstår i huvudsak att inte accelerera och komma ikapp den tidigare personen – vilket skulle förstärka instabiliteten – utan snarare att bete sig som en flödesnapp, i huvudsak jämna ut genom att hålla tillbaka trafiken så att det inte förstärker instabiliteten, sa Bayen.

Djup förstärkningsinlärning har använts för att träna datorer att spela schack och för att lära en robot hur man springer en hinderbana. Den tränar genom att "ta observationer av systemet, och sedan iterativt testa ett gäng åtgärder, se om de är bra eller dåliga, och sedan välja ut vilka åtgärder den ska prioritera, "sa Eugene Vinitsky, en doktorand som arbetar med Bayen och en av Flows utvecklare.

Vid trafik, Flow tränar fordon för att kontrollera vad bilarna direkt framför och bakom dem gör. "Den prövar olika saker – den kan accelerera, minska hastigheten, eller byta körfält, till exempel, Vinitsky förklarade. "Du ger det en belöningssignal, tycka om, var trafiken stoppad eller flöt smidigt, och den försöker koppla vad den gjorde med trafikens tillstånd."

Med projektet CIRCLES, Bayen och hans team planerar att först köra simuleringar för att bekräfta att betydande energibesparingar är resultatet av att använda algoritmerna i autonoma fordon. Därefter kommer de att köra ett fälttest av algoritmen med mänskliga förare som svarar på realtidskommandon.

DeepAir

Föroreningsprojektet, namnet DeepAir (Deep Learning and Satellite Imaginary to Estimate Air Quality Impact at Scale), leds av Berkeley Lab-forskaren Marta Gonzalez, som också är professor vid UC Berkeleys stads- och regionplaneringsavdelning. I tidigare forskning, hon har använt mobiltelefondata för att studera hur människor rör sig i städer och för att rekommendera laddningssystem för elfordon för att spara energi och kostnader.

För detta projekt, hon kommer att dra nytta av kraften i djupinlärningsalgoritmer för att analysera satellitbilder i kombination med trafikinformation från mobiltelefoner och data som redan samlas in av miljöövervakningsstationer.

"Nyheten här är att även om miljömodellerna, som visar interaktionen mellan föroreningar och vädret – såsom vindhastighet, tryck, nederbörd, och temperatur – har utvecklats i flera år, det saknas en bit, " sade Gonzalez. "För att vara pålitlig, dessa modeller måste ha bra inventeringar av vad som kommer in i miljön, such as emissions from vehicles and power plants.

"We bring novel data sources such as mobile phones, integrated with satellite images. In order to process and interpret all this information, we use machine learning models applied to computer vision. 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. Till exempel, 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, " han sa.