混合自动驾驶交通优化技术解析

亚历山大·贝恩：混合自动驾驶交通的推动力量

协调自动化可以改善交通流量、提高效率并减少排放。机器学习、大数据和某机构云服务的结合正在使这一未来成为可能。

作者：肖恩·奥尼尔
2021年8月23日

未来交通的曙光

未来顺畅的交通即将到来。车辆自动化技术的进步与机器学习和云计算的发展相结合，正在创造不仅能安全自动驾驶，还能对周围普通驾驶员的行程产生巨大积极影响的自驾车。欢迎来到"混合自动驾驶交通"时代。

引领这一未来的是亚历山大·贝恩，加州大学伯克利分校的Liao-Cho工程教授兼交通研究所所长。作为控制和优化专家，贝恩在多个交通项目中发挥着领导作用，从尖端的开源交通仿真和优化，到涉及将自动化车辆投入真实交通中以探索机器学习衍生的自动驾驶行为影响的大规模高速公路观测。

交通拥堵实验

这段视频来自2008年的一项实验，人们在环形轨道上单列行驶时试图保持相同的速度。

经常遭遇"幽灵"交通拥堵（没有明显原因）的人都知道这有多烦人。人类驾驶员创造这些所谓的"停走波"是天性使然——我们就是无法避免在路上拥堵然后分散，正如2008年经典实验的简短视频所示。

时间快进到2017年，贝恩的合作者亚利桑那大学的乔纳森·斯普林克尔和范德堡大学的丹尼尔·沃克领导了一系列类似实验。这项工作呼应了2008年的实验，但有一个巨大差异：在环形轨道上的大约20辆汽车中，有一辆可以切换到自动驾驶模式。当它这样做时，对停走波的影响是立竿见影的——而且非常显著。

自动驾驶汽车实验展示交通流量的显著改善

仅仅通过这一辆汽车根据其交通优化算法减速或加速，交通波就显著消散。在一项测试中，环内汽车的燃料消耗减少了40%以上，过度制动事件从每车公里8.5次下降到接近零。实验者得出结论，在现实生活中，只需不到5%的汽车实现自动化，就可以实现交通流控制。

自动驾驶的未来

考虑到这一点，当越来越多的车辆实现自动驾驶时，我们现有的交通流会发生什么变化？这正是贝恩和他的团队正在塑造的未来。

他工作的核心是一个名为FLOW的开源框架。FLOW以深度强化学习为核心，是一个用于交通流的优化和微观仿真工具。不要被这里的"微观"所迷惑——该仿真可以在复杂的道路系统上模拟数十万辆车辆。FLOW允许在各种道路设置上虚拟探索复杂的交通优化挑战。

"交通仿真引擎在过去十年中变得非常出色，非常准确。所需的计算也变得非常易于处理，这主要归功于某机构云服务等提供的可扩展云计算，"贝恩说。

深度强化学习特别适合开发混合自动驾驶交通优化，因为它使模拟的自动驾驶车辆能够尝试不同的驾驶行为。例如，如果一组驾驶策略在不影响行程时间的情况下降低了燃料使用，算法就会得到奖励。

实现FLOW状态

贝恩希望澄清FLOW的主要目标。"提高能源效率和减少拥堵之间需要区分。我们不是试图解决拥堵问题——这不是我们的目标，这些也不是合适的工具。我们正在提高交通的能源效率，这是一个非常不同的问题。"

确实，在模拟中，FLOW的算法对行程时间的影响很小——但对驾驶体验的影响却是显著的，贝恩解释说。"制动量显著减少，加速量——大部分能量消耗和污染物排放的地方——也显著减少。这是主要挑战。"

2019年，贝恩获得了某机构机器学习研究奖，以支持"深度强化学习在混合环境中训练联网自动驾驶车辆的应用"的开发。但贝恩解释说，甚至在获奖之前，FLOW就与某机构云服务有着内在联系。

斯普林克尔说，这种组合重要的一个关键原因是大数据："对于社会规模的系统要利用机器学习，它们需要利用这些庞大的数据集。将机器学习算法托管在某机构云服务上——与数据所在的位置相同——加速了发现。"

FLOW的成功引起了贝恩团队的广泛关注，包括美国政府，后者随后决定资助这项研究。那时，贝恩和一个名为CIRCLES联盟的广泛合作成立了，贝恩、沃克和斯普林克尔都是共同首席研究员。他们开始与丰田、通用和日产合作，开发一个概念验证，以证明混合自动驾驶交通控制实际上在道路上有效。

真实交通测试

这是理论付诸实践的地方。今年，CIRCLES联盟将在同一段I-24公路上部署自动驾驶车辆，以观察机器学习衍生的自动驾驶算法如何对现实世界的交通产生积极影响。

"今年夏天，我们将部署14辆车——4辆实现自动化，10辆作为监测车辆收集本地测量数据，"贝恩说。明年计划进行另一次现场部署，但自动化和监测车辆的数量将大幅增加。

从仿真到现实世界部署的这一步更像是一个巨大的飞跃。"如果某物在仿真中运行得非常好，人们仍然需要确定它能很好地转移到硬件上，并在真实道路上使用不完善的数据与真实汽车一起良好运行。这是一个巨大的挑战，"贝恩说。

为此，自2016年以来，美国国家科学基金会一直资助开发软件框架，使FLOW能够部署在各种真实车辆和许多不同的硬件平台上。现实世界的部署是一个谨慎、艰苦的过程。

该领域面临的另一个挑战是预测汽车未来可能如何传输其位置。关于驾驶员移动数据将如何或应该如何收集、保护、传输和共享，也存在持续辩论，贝恩说。

但贝恩说，这项工作是值得做的，因为FLOW具有高度可扩展性。"许多城市都有良好的交通系统模型。如果这些模型在AIMSUN或SUMO（三大仿真器中的两个）中运行，将我们的软件放在上面真的不难。我们可以将这些模型放入我们的框架中，并直接对其应用机器学习。"基于云的特性对这种可扩展性至关重要。

沃克同意："提供开源方法使新研究人员能够探索自己的想法。将机器学习用于大规模系统令人兴奋，因为它有潜力使所有人受益——即使只有系统的少数部分改变其行为。"贝恩说，好处还延伸到当地和全球环境，因为每辆车的排放——无论是直接的，还是电动车的间接排放——都可能显著减少。

随着混合自动驾驶交通技术的进步速度，五年后上路的驾驶一代可能会对父母惊叹高速公路交通"这些天"如此顺畅感到困惑，尽管路上有大量车辆。对于我们其他人来说，知道幽灵拥堵的日子屈指可数可能会让它们更容易忍受。如果你不同意，请按喇叭。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码