Aplicar inteligencia artificial a vehículos autónomos para suavizar el tráfico, reducir el consumo de combustible, y mejorar las predicciones de la calidad del aire puede parecer algo de ciencia ficción, pero los investigadores del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía (Berkeley Lab) han lanzado dos proyectos de investigación para hacer precisamente eso.

En colaboración con UC Berkeley, Los científicos de Berkeley Lab están utilizando el aprendizaje por refuerzo profundo, una herramienta computacional para entrenar controladores, para hacer que el transporte sea más sostenible. Un proyecto utiliza el aprendizaje de refuerzo profundo para capacitar a los vehículos autónomos para que conduzcan de manera que mejoren simultáneamente el flujo de tráfico y reduzcan el consumo de energía. Un segundo utiliza algoritmos de aprendizaje profundo para analizar imágenes satelitales combinadas con información de tráfico de teléfonos celulares y datos que ya están siendo recolectados por sensores ambientales para mejorar las predicciones de la calidad del aire.

"El treinta por ciento del uso de energía en los EE. UU. Es para transportar personas y bienes, y este consumo de energía contribuye a la contaminación del aire, incluyendo aproximadamente la mitad de todas las emisiones de óxidos de nitrógeno, un precursor de determinadas emisiones de materia y ozono y carbono negro (hollín), "dijo Tom Kirchstetter, director de la División de Impactos Ambientales y Análisis Energético de Berkeley Lab, profesor adjunto en UC Berkeley, y miembro del equipo de investigación.

"La aplicación de tecnologías de aprendizaje automático al transporte y al medio ambiente es una nueva frontera que podría generar importantes dividendos, tanto para la energía como para la salud humana".

Suavizado de tráfico con Flow

El proyecto de suavizado de tráfico, CÍRCULOS apodados, o Reducción del impacto de la congestión a través de CAV-in-the-loop Lagrangian Energy Smoothing, está dirigido por el investigador del Berkeley Lab, Alexandre Bayen, quien también es profesor de ingeniería eléctrica y ciencias de la computación en UC Berkeley y director del Instituto de Estudios de Transporte de UC Berkeley. CIRCLES se basa en un marco de software llamado Flow, desarrollado por el equipo de estudiantes e investigadores postdoctorales de Bayen.

Flow es un marco de software único en su tipo que permite a los investigadores descubrir y comparar esquemas para optimizar el tráfico. Usando un microsimulador de código abierto de última generación, Flow puede simular cientos de miles de vehículos, algunos conducidos por humanos, otros autónomos:conducción en escenarios de tráfico personalizados.

"El potencial de las ciudades es enorme, ", dijo Bayen." Los experimentos han demostrado que el ahorro de energía con solo un pequeño porcentaje de vehículos en la carretera que son autónomos puede ser enorme. Y podemos mejorarlo aún más con nuestros algoritmos ".

Flow se lanzó en 2017 y se lanzó al público en septiembre, y los puntos de referencia se publicarán este mes. Con financiamiento del programa de Investigación y Desarrollo Dirigido por Laboratorio, Bayen y su equipo utilizarán Flow para diseñar, prueba, e implementar el primer sistema habilitado para vehículos conectados y autónomos (CAV) para reducir activamente los atascos de tráfico fantasma en las autopistas.

Cómo el aprendizaje por refuerzo puede reducir la congestión

Parte de la investigación actual sobre el uso de vehículos autónomos para suavizar el tráfico se inspiró en un experimento simple realizado por investigadores japoneses hace 10 años en el que se instruyó a unos 20 conductores humanos a conducir en un anillo a 20 mph. Al principio, todo el mundo avanza sin problemas, pero en 30 segundos, las ondas de tráfico comienzan y los coches se detienen.

"Tienes una oscilación intermitente en menos de un minuto, ", Dijo Bayen." Este experimento llevó a cientos, si no miles, de artículos de investigación para tratar de explicar lo que está sucediendo ".

Un equipo de investigadores dirigido por Dan Work de la Universidad de Vanderbilt repitió el mismo experimento el año pasado, pero hizo un cambio:agregaron un solo vehículo autónomo en el ring. Tan pronto como se encienda la automatización, las oscilaciones se suavizan inmediatamente.

¿Por qué? "La automatización esencialmente entiende no acelerar y alcanzar a la persona anterior, lo que amplificaría la inestabilidad, sino más bien comportarse como un chupete de flujo, esencialmente suavizando al restringir el tráfico para que no amplifique la inestabilidad, "Dijo Bayen.

El aprendizaje por refuerzo profundo se ha utilizado para entrenar a las computadoras para que jueguen al ajedrez y para enseñar a un robot a correr una carrera de obstáculos. Se entrena "tomando observaciones del sistema, y luego probar iterativamente un montón de acciones, viendo si son buenos o malos, y luego elegir qué acciones debe priorizar, "dijo Eugene Vinitsky, un estudiante de posgrado que trabaja con Bayen y uno de los desarrolladores de Flow.

En el caso del tráfico, Flow entrena a los vehículos para comprobar lo que hacen los coches que están delante y detrás de ellos. "Prueba diferentes cosas:puede acelerar, decelerar, o cambiar de carril, por ejemplo, ", Explicó Vinitsky." Le das una señal de recompensa, igual que, si el tráfico se detuvo o fluyó sin problemas, e intenta correlacionar lo que estaba haciendo con el estado del tráfico ".

Con el proyecto CIRCLES, Bayen y su equipo planean ejecutar primero simulaciones para confirmar que los ahorros de energía significativos resultan del uso de algoritmos en vehículos autónomos. A continuación, ejecutarán una prueba de campo del algoritmo con conductores humanos que respondan a comandos en tiempo real.

DeepAir

El proyecto de contaminación, llamado DeepAir (Deep Learning y Satellite Imaginary para estimar el impacto de la calidad del aire a escala), está dirigida por Marta González, investigadora del Berkeley Lab, quien también es profesor en el Departamento de Planificación Regional y Municipal de UC Berkeley. En investigaciones anteriores, ha utilizado datos de teléfonos móviles para estudiar cómo se mueven las personas por las ciudades y recomendar esquemas de carga de vehículos eléctricos para ahorrar energía y costes.

Para este proyecto, Aprovechará el poder de los algoritmos de aprendizaje profundo para analizar imágenes satelitales combinadas con información de tráfico de teléfonos celulares y datos que ya están siendo recolectados por estaciones de monitoreo ambiental.

"La novedad aquí es que, si bien los modelos ambientales, que muestran la interacción de los contaminantes con el clima, como la velocidad del viento, presión, precipitación, y temperatura - se han desarrollado durante años, falta una pieza, "Dijo González." Para ser confiable, esos modelos deben tener buenos inventarios de lo que ingresa al medio ambiente, como las emisiones de vehículos y centrales eléctricas.

"Ofrecemos fuentes de datos novedosas, como teléfonos móviles, integrado con imágenes de satélite. Para procesar e interpretar toda esta información, utilizamos modelos de aprendizaje automático aplicados a la visión por computadora. La integración de tecnologías de la información para comprender mejor las interacciones complejas del sistema natural a gran escala es la pieza innovadora de 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. Por ejemplo, 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, " él dijo.