İnsan sürüşüne% 10 otonom araçların dahil edilmesi, trafik hacmini% 30'dan fazla artırabilir
Birbirini izleyen tatiller olduğu sürece, otoyollarda veya manzaralı noktalarda büyük trafik sıkışıklığı yaşanacaktır. Zaten 2019 olmasına rağmen, AI ve sürücüsüz arabalar da sokaklarda koşmaya başladı ve tamamen otomatikleştirilemez, ancak insan sürüşünden daha fazla avantajları var.
Bir yandan, yarı otonom sürüşün bazı geleneksel kısıtlamaları yoktur: hızlı tepki verirler, uzun mesafelerde operasyonları koordine edebilirler ve en önemlisi, faal şirketler, tıkanıklığı azaltmak için fren ve hızlanma modlarını basitçe değiştirebilirler.
Ancak yarı otonom sürüş, trafik sıkışıklığını gerçekten hafifletebilir mi? Ya da yarı otonom bir araba ile insan güdümlü bir araba aynı yolda sürerken, trafik sıkışıklığını daha da kötüleştireceği anlamına mı geliyor?
Berkeley Üniversitesi'nde yüksek lisans öğrencisi ve Tesla'nın otopilot grubunda bir stajyer olan Eugene Vinitsky, bir ankette, araçların yalnızca küçük bir yüzdesinin şu anda yarı otonom olmasına rağmen, mevcut araştırmanın bile küçük bir oluşum oranının (% 3-4) gösterdiğini ortaya çıkardı Tıkanıklığı hafifletmeye başlamak yeterlidir.
Başka bir deyişle, AV'nin (Otonom Araçlar) benzersiz özellikleri göz önüne alındığında, sürüş modunun tasarımının yol gereksinimlerini en iyi şekilde karşılayabilmesini sağlamak istiyoruz. AV'nin doğru yerleştirilmesi tıkanıklığı en aza indirmeli, toplam enerji tüketimini azaltmalı ve yol kapasitesini en üst düzeye çıkarmalıdır.
Ancak optimum sürüş stratejisi araştırmasındaki temel sorun, fikir birliğinin olmamasıdır.
Kendi kendine giden otomobil şirketleri için, sürüş stratejilerini değerlendirmelerine ve uygulamalarına olanak tanıyan basit bir gösterge yoktur.
Diğer bir deyişle, yarı otonom sürüşün mevcut kullanımı için, yani farklı araştırma gruplarının ve yöntemlerinin ilerlemesini karşılaştırmak için kullanılabilecek standardizasyon sorunları için bir kriter yoktur.
İyi tasarlanmış bir kıyaslama varsa, en iyi tasarlanmış AV'nin yolda ilerlediğinden emin olmak için AV'nin sürüş davranışını kontrol edebilir ve hızlı bir şekilde puanlayabilirsiniz. Buna ek olarak, karşılaştırmalı değerlendirmeler, araştırmacıların yeni teknolojileri ve algoritmaları kolayca ve hızlı bir şekilde deneyebilmeleri ve bu teknolojilerin ve algoritmaların tıkanıklık sorunlarını nasıl çözdüğünü anlayabilmeleri için araştırmayı teşvik etmelidir.
Kağıt adresi
Bu boşluğu doldurmak için Eugene Vinitsky'nin CORL hakkında yayınlanan makalesi, merkezi hibrit otonom sürüş trafik kontrolünde 11 yeni kriter öneriyor. Sözde merkezi hibrid otonom sürüş trafik kontrolü, araçların ve trafik ışıklarının bir bilgisayar tarafından kontrol edildiği trafik kontrolünü ifade eder.
Aşağıdaki araştırma içeriği Eugene Vinitsky tarafından birinci şahıs olarak yazılmıştır:
Bu kriterler, trafik simülatörleri SUMO ve AIMSUN'daki otonom araçlara ve trafik ışıklarına kontrol ve takviye öğrenimi (takviye öğrenme kitaplıkları olarak RLlib ve rllab kullanarak) uygulamak için kullanılan Akış aracı projesinin bir parçası olacaktır. Bu karşılaştırmalardaki yüksek puanlar, ortalama sürüş hızı, toplam yol sistemi gecikmesi ve yol verimi gibi gerçek trafik sıkışıklığı göstergelerinde iyileşme anlamına gelir. Bu kıyaslamalarda kaydedilen ilerleme sayesinde, AV uygulamaları ile ilgili temel soruların yanıtlanabileceği ve gerçek dünyadaki tıkanıklığı artırabilecek AV'lerin dağıtılması için bir yol haritasının verilebileceği umulmaktadır.
Bu makalenin önceki bölümlerinde açıklanan temel senaryo aşağıdaki ayarları içerir:
Aşağıdaki Gif, bu kıyaslamalarda bulunan acil durum davranış durumlarını göstermektedir. Bu çok ilginç ve anlamlıdır. Şekil, darboğazın bir bölümünü göstermektedir, burada dört şerit iki şeride entegre edilmiştir ve sonraki iki şerit bir şeride entegre edilmemiştir.
Üst kısım insan sürüşünü göstermektedir. İnsanların kullandığı arabalar keyfi olarak dört şeritten iki şeride gidiyordu ve darboğaz şerit entegrasyonu nedeniyle tıkanıklığa dönüşerek tüm yol sisteminin hızını düşürdü. Aşağıdaki Gif resminde, insan tahrikli bir araç (turuncu), otonom bir araçla (kırmızı) karıştırılmıştır. Otonom araçların entegre şeride girdikleri hızları kontrol etmek için öğrenmeyi kullandıklarını ve bunun da arkadaki araçların entegre şeridi sorunsuz bir şekilde geçmesine yardımcı olduğunu gördük. Araçların yalnızca onda biri otonom olsa da, yol sistemi tıkanık kalmayı başarmış ve trafik hacmi% 35 artmıştır.
Bir karşılaştırma ölçütü oluşturduktan sonra, araştırmacıların algoritmalarını kontrol etmek için bir dizi kıyaslama değerine sahip olmalarını sağlamamız gerekir. Küçük ölçekli bir hiperparametre taraması gerçekleştirdik ve ardından kullanılacak aşağıdaki RL algoritmalarını sağlamak için en iyi hiperparametreleri bulduk: gelişmiş rastgele arama, yakın uç strateji optimizasyonu, evrim stratejisi ve güven bölgesi stratejisi optimizasyonu.
Aşağıdaki çizelgenin ilk satırı, eğitim süresi boyunca bir dizi gösterge ile verilen karşılaştırma puanını temsil etmektedir. Her grafik, algoritma tarafından elde edilen puan ile eğitim süresi arasındaki fonksiyon ilişkisini gösteren bir sahneye karşılık gelir. Algoritma puanı bu değerlerden saparsa, algoritmanın doğru olup olmadığını hemen öğrenebilirsiniz.
Bununla birlikte, tıkanıklık üzerindeki etki açısından, asıl önemli olan son çizelgedir, algoritmayı tıkanıklığı gerçekten etkileyen göstergelere dayanarak nasıl puanladığımızdır. Bu göstergeler şunları içerir: sekiz rakamı ve entegre şeritlerin ortalama hızı, ulaşım ağındaki her bir aracın ortalama gecikmesi ve darboğaz bölümünde saat başına toplam araç çıkışı. Ortadaki dört sütun, bu kıyaslama göstergelerine dayalı algoritmanın puanlarıdır ve son sütun, tamamen insan sürüşünün skorudur. Lütfen tüm bu kıyaslamalar için AV oluşum oranının, en düşük% 7'den en yüksek% 25'e (yani, her 14 araçta 1 AV'den her 4 araçta 1 AV'ye) göre nispeten düşük olduğuna dikkat edin. Tamamen insan sürüşü sütunundaki tıkanıklık göstergeleri ciddi şekilde kötüleşti, bu da ortaya çıkma oranı çok düşük olsa bile, AV'nin tıkanıklık üzerinde inanılmaz bir etkisi olabileceğini gösteriyor.
Peki AV tıkanıklığı nasıl hafifletir? Aşağıdaki animasyon, olası bir mekanizmayı gösterir: Ana yolun rampa girişinde (üst yarı) tamamen insan sürüşü durumunu, otomatik olarak giden on arabadan biri (kırmızı) ve diğer dokuz arabanın insan olmasıyla karşılaştırır. Sürüş (beyaz) durumu. Her iki durumda da, insan sürücüler mümkün olan en kısa sürede ana yola girmek istiyorlar ve ana yoldaki araçları pek umursamıyorlar.
Tam insan sürüşü durumunda, araçlar yakından takip eder, rampadaki araçlar ana yola girdiklerinde, arkadaki araçların ani bir şekilde fren yapması gerekir ve sonuçta "araç toplanır". Bununla birlikte, AV'nin varlığında, otonom araç rampa girişine yaklaştıkça hızlanır ve böylece arkadaki araca olan mesafeyi artırır. Daha büyük mesafeler bir tampon bölge oluşturacaktır, bu nedenle rampadaki araçlar ana yola girdiğinde, ana yoldaki arabaların kaçınmak için sadece frene basması gerekir.
Bunu matematiksel olarak ispatlayamasak da, sonuçlarımızdan hiçbirinin optimum puana ulaşmadığından oldukça eminiz. Ve makalemiz, yalnızca yerel bir minimum bulduğumuza dair bazı argümanlar verdi.
Hala çözülmemiş birçok sorun var. Her şeyden önce, bu ölçütler yalnızca tamamen merkezi bir durumda kullanılır, yani tüm arabalar merkezi bir bilgisayar tarafından kontrol edilir. Herhangi bir gerçek yol sürüş stratejisi algoritmasının dağıtılması gerekebilir: Performanstan ödün vermeden dağıtılmış kullanabilir miyiz? Ek olarak, tartışılmayan bazı adalet ilkeleri vardır.
Aşağıdaki videoda gösterildiği gibi, belirli bir şeridi tamamen bloke ederek, darboğaz bölümündeki araçların çıkışı önemli ölçüde iyileştirilebilir; Bu karayolu sürüş stratejisi etkili olsa da, diğer sürücüleri ödüllendirir ve engellenen şeritteki sürücüleri ciddi şekilde cezalandırır. , Bu kaçınılmaz olarak şiddetli duygulara yol açacaktır.
Son olarak, çekici bir genelleme problemi var. Her benzersiz sürüş senaryosu için, birleşik bir sürüş stratejisi uygulamak zor görünüyor; farklı trafik ağı türleri için uygun tek bir kontrol stratejisi bulmak mümkün mü? Amacımız, tüm bu sorunları gelecekte bir dizi kıyaslama ile çözmektir.
