“研究人员开发系统优化交通信号控制器 协调车辆更快通过十字路口”

盖西汽车十字路口的信号灯由简单的计算机管理，防止车辆相撞。 但是，关于城市交通时间的研究表明，十字路口造成的延误占日常出行的12-55%，如果这些系统更有效率，就可以消除不必要的等待时间，减少堵车。

(图像来源:技术浏览器/ )

据外讯报道，德克萨斯农工大学( texas a&； m university (由计算机科学和工程系教授guni sharon博士率领的研究小组，开发了利用机器学习调整车辆以快速通过十字路口的自主学习系统。

现在的多个信号灯配备了信号控制器，作为十字路口的“大脑”发挥作用。 这些控制器设定了不同的时间，以便交通显示器可以根据时间和交通运动改变颜色。 这样，信号灯就可以解决全天的交通变动，减少交通堵塞。 最新研究表明，心理学中基于“强化学习”概念的学习算法可以用于控制器信号的优化。 该算法使控制器做出一系列决定，通过学习这些行为可以改善操作，减少交通延迟。

但是，sharon指出，这些优化的控制器在现实世界中不实用，因为它们使用深度神经互联网( dnn )进行基础操作来控制数据求解方法。 dnn是一种机器学习算法，一般用于训练和总结控制器的行为策略。 这是根据现在的状况决定(控制)接下来应该采取什么样的行动的函数。 虽然dnn非常强大，但是在做出决定时却是不可预测和不一致的。 对交通技术人员来说，试图理解dnn为什么要采取某些行动是一个复杂的过程，相反，他们很难管理和理解不同的战略。

为了克服这个问题，sharon及其团队实时训练了dnn，开发并验证了可以将dnn通过注意现实世界而学到的知识转移到工程师能够理解和管理的控制功能上的做法。 通过模拟实际的十字路口，研究小组发现，这种方法对控制器的优化特别有效，与普通的信号控制器相比，可以减少19.4%的车辆延迟。

虽然这种方法很有效，但研究人员注意到，在训练控制器时，控制器花了大约两天的时间才真正了解哪些行为有助于缓解各方向的交通堵塞。 sharon说:“将来，我们将开发注意当前部署的控制器操作的技术，加快控制器的学习过程，保证基本性能，并从中学习。 ”。