Hacia una conducción más limpia, ecológica y rápida |  Noticias del MIT

Hacia una conducción más limpia, ecológica y rápida | Noticias del MIT



A nadie le gusta sentarse en un semáforo en rojo. Pero las intersecciones señalizadas no son solo una molestia menor para los automovilistas; Los vehículos consumen combustible y emiten gases de efecto invernadero mientras esperan que se enciendan las luces.

¿Qué pasaría si los conductores pudieran planificar sus viajes para llegar a la intersección cuando el semáforo se pusiera en verde? Si bien esto podría ser una bendición para un conductor humano, podría lograrse de manera más consistente mediante un vehículo autónomo que use inteligencia artificial para controlar su velocidad.

En un nuevo estudio, los investigadores del MIT demuestran un enfoque de aprendizaje automático que puede aprender a controlar una flota de vehículos autónomos a medida que se acercan a una intersección señalizada y navegar a través de ella de una manera que permite que el tráfico fluya sin problemas.

Usando simulaciones, descubrieron que su enfoque reducía el consumo de combustible y las emisiones al tiempo que mejoraba la velocidad promedio del vehículo. La técnica logra los mejores resultados cuando todos los automóviles en la carretera son autónomos, pero incluso si solo el 25 por ciento usa su algoritmo de control, aún produce beneficios significativos de combustible y emisiones.

“Este es un lugar realmente interesante para intervenir. La vida de nadie es mejor porque están atrapados en una encrucijada. Con muchas otras medidas contra el cambio climático, se espera una diferencia en la calidad de vida, por lo que hay una barrera de entrada. Aquí la barrera es mucho más baja”, dice la autora principal Cathy Wu, profesora asistente de Gilbert W. Winslow Career Development en el Departamento de Ingeniería Civil y Ambiental y miembro del Instituto de Datos, Sistemas y Sociedad (IDSS) y el Laboratorio de Sistemas de Información y Decisión (LIDS).

La autora principal del estudio es Vindula Jayawardana, estudiante de doctorado en LIDS y de la Facultad de Ingeniería Eléctrica y Ciencias de la Computación. Los resultados de la investigación se presentarán en la Conferencia Europea de Control.

complicaciones de cruce

Si bien las personas pueden pasar un semáforo en verde sin pensarlo mucho, las intersecciones pueden representar miles de millones de escenarios diferentes según la cantidad de carriles, cómo funcionan los semáforos, la cantidad de vehículos y su velocidad, la presencia de peatones y ciclistas, etc.

Los enfoques típicos para abordar los problemas de control de intersecciones usan modelos matemáticos para resolver una intersección ideal simple. Eso se ve bien en el papel, pero probablemente no se sostenga en el mundo real, donde los patrones de tráfico suelen ser tan caóticos como parecen.

Wu y Jayawardana cambiaron de tema y abordaron el problema con una técnica sin modelo conocida como aprendizaje de refuerzo profundo. El aprendizaje por refuerzo es un método de prueba y error en el que el algoritmo de control aprende a tomar una secuencia de decisiones. Es recompensado cuando encuentra una buena secuencia. En el aprendizaje de refuerzo profundo, el algoritmo utiliza suposiciones aprendidas de una red neuronal para encontrar atajos a buenas secuencias, incluso cuando hay miles de millones de posibilidades.

Esto es útil para resolver un problema de tan largo plazo; El algoritmo de control tiene que emitir más de 500 comandos de aceleración a un vehículo durante un período de tiempo prolongado, explica Wu.

«Y necesitamos hacer el pedido correcto antes de saber que hemos hecho un buen trabajo al reducir las emisiones y llegar a la intersección a buena velocidad», agrega.

Pero hay una arruga extra. Los investigadores quieren que el sistema aprenda una estrategia que reduzca el consumo de combustible y limite el impacto en el tiempo de viaje. Estos objetivos pueden ser contradictorios.

“Para reducir el tiempo de viaje queremos que el automóvil vaya rápido, pero para reducir las emisiones queremos que el automóvil disminuya la velocidad o no se mueva en absoluto. Estas recompensas en competencia pueden ser muy confusas para el agente de aprendizaje», dice Wu.

Aunque es difícil resolver este problema en toda su generalidad, los investigadores aplicaron una solución utilizando una técnica conocida como modelado de recompensas. Con la formación de recompensas, le dan al sistema un cierto dominio de conocimiento que no puede adquirir por sí mismo. En este caso, penalizaban al sistema cuando el vehículo se detenía por completo para que aprendiera a evitar esa acción.

pruebas de trafico

Después de desarrollar un algoritmo de control efectivo, lo evaluaron utilizando una plataforma de simulación de tráfico de una sola intersección. El algoritmo de control se aplica a una flota de vehículos autónomos conectados que pueden comunicarse con los próximos semáforos para obtener información sobre la fase de la señal y el tiempo y observar su entorno inmediato. El algoritmo de control le dice a cada vehículo cómo acelerar y desacelerar.

Su sistema no creaba tráfico intermitente cuando los vehículos se acercaban a la intersección. (El tráfico intermitente ocurre cuando los automóviles se ven obligados a detenerse por completo debido al tráfico detenido frente a ellos). En las simulaciones, más autos lograron pasar una sola fase verde, superando a un modelo que simulaba conductores humanos. En comparación con otros métodos de optimización, que también están diseñados para evitar el tráfico intermitente, su técnica dio como resultado una mayor reducción del consumo de combustible y las emisiones. Si todos los vehículos en la carretera son autónomos, su sistema de control puede reducir el consumo de combustible en un 18 por ciento y las emisiones de carbono en un 25 por ciento, mientras aumenta la velocidad de crucero en un 20 por ciento.

“Una sola intervención con 20 a 25 por ciento menos de combustible o emisiones es realmente increíble. Pero lo que encuentro interesante y realmente esperaba es esta escala no lineal. Si solo controlamos el 25 por ciento de los vehículos, obtenemos el 50 por ciento de los beneficios en términos de reducción de combustible y emisiones. Esto significa que no tenemos que esperar hasta que alcancemos vehículos 100 por ciento autónomos para beneficiarnos de este enfoque”, dice.

Más tarde, los investigadores quieren investigar los efectos de interacción entre cruces múltiples. También planean investigar cómo las diferentes configuraciones de intersección (número de carriles, señales, tiempos, etc.) pueden afectar el tiempo de viaje, las emisiones y el consumo de combustible. Además, tienen la intención de estudiar cómo su sistema de control podría afectar la seguridad cuando los vehículos autónomos y los conductores humanos comparten la carretera. Por ejemplo, aunque los vehículos autónomos pueden conducir de manera diferente a los conductores humanos, las carreteras más lentas y las carreteras con velocidades más constantes podrían mejorar la seguridad, dice Wu.

Si bien este trabajo aún se encuentra en sus primeras etapas, Wu considera que este enfoque podría ser más viable en el futuro cercano.

“El objetivo de este trabajo es mover la aguja en movilidad sostenible. Nosotros también queremos soñar, pero estos sistemas son grandes monstruos de inercia. Identificar puntos de intervención que son pequeños cambios en el sistema pero que tienen un impacto significativo es algo que me despierta por la mañana”, dice.

Este trabajo fue apoyado en parte por MIT-IBM Watson AI Lab.

Related post

Una guía completa para la gestión de las relaciones con los clientes

Una guía completa para la gestión de las relaciones…

Cuando se trata de administrar un negocio, una de las cosas más importantes es mantener contentos a sus clientes. No hay…
Nanotechnology Now – Comunicado de prensa: De afuera hacia adentro: Un método de evaluación celular general rápido y preciso: Investigadores del Instituto de Ciencia y Tecnología de Nara muestran que el uso de cuatro frecuencias de voltaje aplicado puede mejorar la medición del tamaño y la forma de las células durante la citometría de impedancia. es

Nanotechnology Now – Comunicado de prensa: De afuera hacia…

Inicio > Prensa > De afuera hacia adentro: un método rápido y preciso de evaluación celular general: Investigadores del Instituto de…
Luz al final del túnel a medida que las ventas de vehículos eléctricos en Italia repuntan en mayo

Luz al final del túnel a medida que las…

Originalmente) lanzado el Oportunidad: Energía. El mercado de vehículos eléctricos de Italia aún no ha terminado, pero se está recuperando nuevamente.…

Leave a Reply

Tu dirección de correo electrónico no será publicada.