十字路口的交通燈由簡單的計算機管理，以避免車輛發(fā)生碰撞。然而，對城市交通時間的研究表明，十字路口造成的延誤占日常出行的12-55%，如果這些系統(tǒng)更高效，就可以避免不必要的等待時間，從而減少擁堵。

（圖片來源：https://techxplore.com/）

據(jù)外媒報道，德克薩斯農(nóng)工大學(xué)（Texas A&M University）計算機科學(xué)與工程系教授Guni Sharon博士領(lǐng)導(dǎo)的研究團隊開發(fā)了一套自主學(xué)習(xí)系統(tǒng)，可利用機器學(xué)習(xí)更好地協(xié)調(diào)車輛快速通過十字路口。

目前的許多交通信號燈都裝有信號控制器，充當十字路口的“大腦”。這些控制器設(shè)定了不同的時間，可讓交通顯示器根據(jù)時間和交通運動變換顏色。這使得信號能處理全天的交通波動，以減少交通堵塞。最新研究表明，基于心理學(xué)中“強化學(xué)習(xí)”概念的學(xué)習(xí)算法可用于優(yōu)化控制器信號。該算法能使控制器做出一系列決策，并學(xué)習(xí)哪些行為可以改進操作，從而減少交通延誤。

但Sharon指出，這些優(yōu)化后的控制器在現(xiàn)實世界中并不實用，因為控制其處理數(shù)據(jù)方式的基礎(chǔ)操作采用的是深度神經(jīng)網(wǎng)絡(luò)（DNN）。DNN是一種機器學(xué)習(xí)算法，通常用于訓(xùn)練和歸納控制器的行動策略，這是一種決策（控制）函數(shù)，可根據(jù)當前的情況決定下一步應(yīng)該采取什么行動。盡管DNN非常強大，但在制定決策時卻不可預(yù)測和不一致。對交通工程師而言，試圖理解DNN為何采取某些行動是一個繁瑣的過程，這反過來又使他們難以管理和理解不同的策略。

為了克服這一問題，Sharon及其團隊開發(fā)并驗證了一種方法，可以實時訓(xùn)練DNN，同時將DNN通過觀察現(xiàn)實世界所學(xué)到的知識，轉(zhuǎn)移到能被工程師理解和管理的控制功能中。通過模擬真實路口，研究團隊發(fā)現(xiàn)，該方法在優(yōu)化其控制器方面特別有效，與常用的信號控制器相比，可使車輛延誤減少19.4%。

盡管此種方法很有效，但研究人員觀察到，當他們訓(xùn)練控制器時，控制器花費了約兩天的時間才明白什么行動真正有助于緩解各個方向的交通擁堵。Sharon表示，“未來，我們將通過觀察當前部署的控制器的操作來研發(fā)技術(shù)，以加速控制器的學(xué)習(xí)過程，同時保證基本性能并從中學(xué)習(xí)?！?/p>