你好,游客 登录
背景:
阅读新闻

美伯克利国家实验室盼借由深度学习改善城市交通问题、减少污染

[日期:2018-11-15] 来源:机器学习  作者: [字体: ]

  机器学习的应用广泛,有学者将该技术用于智慧交通,在车上安装侦测与识别系统,若再结合深度学习技术所得的模拟经验,自驾车在未来有能力透过V2V、V2X通讯判别车辆周遭动态,车辆可自行调控车速以避免交通阻塞并减少耗能,美国劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory;Berkeley Lab)借由深度学习技术投入两项实验,盼能分别减少交通阻塞以及空气污染的状况。

  伯克利实验室的两项计划分别是CIRCLE(Congestion Impact Reduction via CAV-in-the-loop Lagrangian Energy Smoothing)以及DeepAir。CIRCLE团队借深度学习训练,让自驾车模拟如何根据不同的交通状况做出应对,希望能够有效减少堵车情况并且节省能源;DeepAir则是透过深度学习分析卫星影像以及环境数据等数据,即时预测并做出保护空气品质的因应措施。

  CIRCLE由伯克利实验室以及加州大学伯克利分校(UC Berkeley)共同研究,透过该实验室自行研发的Flow软件架构为基础,进行模拟行车交通的实验,借由尖端开源微型模拟器(microsimulator)进行测试,Flow有能力自行设定并模拟数十万种的自驾车与人为驾驶车辆的行车状况,伯克利实验室盼可以透借由Flow打造全球首创的联网自驾车(CAV)的系统,减少在高速公路上走走停停的“堵车恶梦”。

  CIRCLE计划研究者Eugene Vinitsky透露,深度学习可以训练车辆确认与其前后的车辆的行驶状况,模拟出不同的方法来应变,像是可以增速、减速,甚至是换道,当给车辆一个回馈数据,例如目前交通停止或是顺畅,车辆就会尝试去顺应不同的道路状况。

  CIRCLE团队预计先在模拟器上用数据得到佐证,在未来的目标是要让演算法实际上路测试,并且安装于人为驾驶车辆,用于即时操作的指挥情境。

  数学专家Benjamin Seibold曾在2015年的实验证实,只要路面上有2%的车辆是自驾车,就能减少50%车流走走停停的情况,而CIRCLE计划成果与该实验不谋而合,主导学者Alexandre Bayen透露,即便自动化车辆的交通预测能力的应用还不广泛,但实验证实这样成效已可节省大量的能源消耗,预测在未来10年内,此概念将会普及并被实际应用。

  而另一项计划DeepAir也是由伯克利实验室与加州大学伯克利分校合作,学者Marta Gonzalez透露,过去评估污染的环境模型工具只能呈现天气与污染的因果状况,像是风速、气压、气温等条件,却无法精确掌握什么污染源正在影响环境。

  DeepAir透过结合卫星影像、手机呈现的交通状况数据、环境监测站测得的数据等,建立起一个数据库,借由深度学习的运算能力来分析、解读数据,并在电脑上呈现的环境污染状况。

 

  DeepAir团队希望可以从实验中得知污染物的来源以及为何会造成污染,用数据基础来建立有效的干预手段来阻止环境恶化,例如美国的空气清保护日就是一个例子,当局透过天气状况与污染源监测来限制交通、家用火柴燃烧状况,借由深度学习演算法的空气预测达到有效的环境保护。

收藏 推荐 打印 | 录入:Cstor | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款