p Aplicando inteligência artificial a carros autônomos para suavizar o trânsito, reduzir o consumo de combustível, e melhorar as previsões da qualidade do ar pode soar como coisa de ficção científica, mas pesquisadores do Laboratório Nacional Lawrence Berkeley do Departamento de Energia (Berkeley Lab) lançaram dois projetos de pesquisa para fazer exatamente isso. p Em colaboração com a UC Berkeley, Cientistas do Berkeley Lab estão usando aprendizado por reforço profundo, uma ferramenta computacional para treinar controladores, para tornar o transporte mais sustentável. Um projeto usa o aprendizado de reforço profundo para treinar veículos autônomos para dirigir de forma a melhorar simultaneamente o fluxo de tráfego e reduzir o consumo de energia. Um segundo usa algoritmos de aprendizagem profunda para analisar imagens de satélite combinadas com informações de tráfego de telefones celulares e dados já coletados por sensores ambientais para melhorar as previsões da qualidade do ar.

p "Trinta por cento do uso de energia nos EUA é para transportar pessoas e mercadorias, e este consumo de energia contribui para a poluição do ar, incluindo aproximadamente metade de todas as emissões de óxido de nitrogênio, um precursor de matéria particular e ozônio - e emissões de carbono negro (fuligem), "disse Tom Kirchstetter, diretor da Divisão de Análise de Energia e Impactos Ambientais do Berkeley Lab, professor adjunto da UC Berkeley, e um membro da equipe de pesquisa.

p "Aplicar tecnologias de aprendizado de máquina ao transporte e ao meio ambiente é uma nova fronteira que pode pagar dividendos significativos - tanto para energia quanto para saúde humana."

p Suavização de tráfego com fluxo

p O projeto de suavização de tráfego, apelidado de CÍRCULOS, ou Redução do Impacto do Congestionamento via Suavização de Energia Lagrangiana CAV-in-the-loop, é liderado pelo pesquisador do Berkeley Lab Alexandre Bayen, que também é professor de engenharia elétrica e ciência da computação na UC Berkeley e diretor do Instituto de Estudos de Transporte da UC Berkeley. CIRCLES é baseado em uma estrutura de software chamada Flow, desenvolvido pela equipe de alunos e pesquisadores de pós-doutorado do Bayen.

p O Flow é uma estrutura de software inédita que permite aos pesquisadores descobrir e comparar esquemas para otimizar o tráfego. Usando um microssimulador de código aberto de última geração, O fluxo pode simular centenas de milhares de veículos - alguns dirigidos por humanos, outros autônomos - dirigindo em cenários de tráfego personalizados.

p “O potencial das cidades é enorme, "disse Bayen." Experimentos mostraram que a economia de energia com apenas uma pequena porcentagem de veículos nas estradas sendo autônomos pode ser enorme. E podemos melhorá-lo ainda mais com nossos algoritmos. "

p O Flow foi lançado em 2017 e lançado ao público em setembro, e os benchmarks estão sendo lançados este mês. Com financiamento do programa de Pesquisa e Desenvolvimento Dirigido por Laboratório, Bayen e sua equipe usarão o Flow para projetar, teste, e implantar o primeiro sistema habilitado para veículo conectado e autônomo (CAV) para reduzir ativamente os congestionamentos de tráfego fantasma em rodovias.

p Como o aprendizado por reforço pode reduzir o congestionamento

p Algumas das pesquisas atuais sobre o uso de veículos autônomos para suavizar o tráfego foram inspiradas por um experimento simples feito por pesquisadores japoneses há 10 anos, no qual cerca de 20 motoristas humanos foram instruídos a dirigir em anel a 32 km / h. No início, todos estão indo bem, mas dentro de 30 segundos, as ondas do tráfego começam e os carros param.

p "Você tem oscilação para e vai em menos de um minuto, "Bayen disse." Este experimento levou a centenas, senão milhares de trabalhos de pesquisa para tentar explicar o que está acontecendo. "

p Uma equipe de pesquisadores liderada por Dan Work, da Vanderbilt University, repetiu o mesmo experimento no ano passado, mas fez uma mudança:eles adicionaram um único veículo autônomo ao ringue. Assim que a automação é ligada, as oscilações são imediatamente suavizadas.

p Porque? “A automação entende essencialmente não acelerar e alcançar a pessoa anterior - o que amplificaria a instabilidade - mas sim se comportar como uma pacificadora de fluxo, essencialmente suavizando ao restringir o tráfego para que não amplifique a instabilidade, "Bayen disse.

p O aprendizado por reforço profundo tem sido usado para treinar computadores para jogar xadrez e para ensinar um robô a correr uma pista de obstáculos. Ele treina "fazendo observações do sistema, e então tentar iterativamente um monte de ações, ver se eles são bons ou ruins, e, em seguida, escolher quais ações deve priorizar, "disse Eugene Vinitsky, um estudante de pós-graduação trabalhando com Bayen e um dos desenvolvedores de Flow.

p No caso de trânsito, O Flow treina veículos para verificar o que os carros diretamente na frente e atrás deles estão fazendo. "Ele tenta coisas diferentes - pode acelerar, desacelerar, ou mudar de faixa, por exemplo, "Vinitsky explicou." Você dá um sinal de recompensa, gostar, o tráfego foi interrompido ou fluindo sem problemas, e tenta correlacionar o que estava fazendo ao estado do tráfego. "

p Com o projeto CIRCLES, Bayen e sua equipe planejam primeiro executar simulações para confirmar que uma economia significativa de energia resulta do uso de algoritmos em veículos autônomos. Em seguida, eles executarão um teste de campo do algoritmo com motoristas humanos respondendo a comandos em tempo real.

p DeepAir

p O projeto de poluição, denominado DeepAir (Deep Learning e Satellite Imaginary para Estimar o Impacto da Qualidade do Ar em Escala), é liderado pela pesquisadora do Berkeley Lab Marta Gonzalez, que também é professor no Departamento de Planejamento Urbano e Regional da UC Berkeley. Em pesquisas anteriores, ela usou dados de telefones celulares para estudar como as pessoas se movem nas cidades e para recomendar esquemas de recarga de veículos elétricos para economizar energia e custos.

p Para este projeto, ela aproveitará o poder dos algoritmos de aprendizado profundo para analisar imagens de satélite combinadas com informações de tráfego de telefones celulares e dados já coletados por estações de monitoramento ambiental.

p “A novidade aqui é que embora os modelos ambientais, que mostram a interação de poluentes com o clima - como a velocidade do vento, pressão, precipitação, e temperatura - foram desenvolvidos há anos, há uma peça faltando, "Gonzalez disse." Para ser confiável, those models need to have good inventories of what's entering the environment, such as emissions from vehicles and power plants.

p "We bring novel data sources such as mobile phones, integrated with satellite images. In order to process and interpret all this information, we use machine learning models applied to computer vision. The integration of information technologies to better understand complex natural system interactions at large scale is the innovative piece of DeepAir."

p 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 exemplo, the Bay Area has "Spare the Air" days, in which traffic restrictions are voluntary, and other cities have schemes to restrict traffic or industry.

p 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, " ele disse.