Wenn es eine Sache gibt, die das Fahren in einer Großstadt auszeichnet, dann ist es die ständige Cease-and-Go, wenn sich die Ampeln ändern und sich Autos und Lastwagen verschmelzen und sich trennen und drehen und parken. Diese konstante Stopp und Begin ist extrem ineffizient und treibt die Umweltverschmutzung, einschließlich Treibhausgase, die professional Fahrt Meile ausstrahlt, erhöht.
Ein Ansatz, um dies zu entgegenkommen, wird als Öko-Fahrt bezeichnet, das als Steuerungssystem in autonomen Fahrzeugen installiert werden kann, um ihre Effizienz zu verbessern.
Wie viel Unterschied könnte das machen? Wären die Auswirkungen solcher Systeme auf die Reduzierung der Emissionen die Investition in die Technologie wert? Die Beantwortung solcher Fragen ist eine breite Kategorie von Optimierungsproblemen, die für Forscher schwierig waren, die Lösungen zu testen, die sie entwickelt haben. Dies sind Probleme, die viele verschiedene Agenten betreffen, wie die vielen verschiedenen Arten von Fahrzeugen in einer Stadt, und verschiedene Faktoren, die ihre Emissionen beeinflussen, einschließlich Geschwindigkeit, Wetter, Straßenbedingungen und Ampeln.
„Wir haben uns vor ein paar Jahren in der Frage interessiert: Gibt es etwas, das automatisierte Fahrzeuge hier in Bezug auf mildernde Emissionen tun könnten?“ Laut Cathy Wu, Thomas D. und Virginia W. Cabot Profession Growth Affiliate Professor am Division of Civil and Environmental Engineering sowie des Instituts für Daten, Systeme und Gesellschaft (IDSS) am MIT sowie Hauptforscher im Labor für Informations- und Entscheidungssysteme. „Ist es ein Tropfen in den Eimer oder ist es etwas zu denken?“, Fragte sie sich.
Um eine solche Frage mit so vielen Komponenten zu beantworten, besteht die erste Anforderung darin, alle verfügbaren Daten über das System aus vielen Quellen zu sammeln. Eines ist das Format der Topologie des Netzwerks, sagt Wu, in diesem Fall eine Karte aller Kreuzungen in jeder Stadt. Dann gibt es Daten der US Geological Survey, die die Erhöhungen zeigen, um den Grad der Straßen zu bestimmen. Es gibt auch Daten zu Temperatur und Luftfeuchtigkeit, Daten zur Mischung von Fahrzeugtypen und -alter sowie zur Mischung von Kraftstofftypen.
Um nach Öko-Fahren kleine Anpassungen vorzunehmen, um den unnötigen Kraftstoffverbrauch zu minimieren. Wenn sich Autos beispielsweise einer Ampel nähern, die rot geworden ist, „macht es keinen Sinn, so schnell wie möglich zum roten Licht zu fahren“, sagt sie. Durch das Rollen brenne ich in der Zwischenzeit weder Gasoline noch Elektrizität. “ Wenn ein Auto wie ein automatisiertes Fahrzeug bei der Annäherung an eine Kreuzung verlangsamt, werden die konventionellen, nicht automatischen Autos dahinter ebenfalls gezwungen, sich zu verlangsamen, sodass sich die Auswirkungen eines solchen effizienten Fahrens weit über das Auto über das Auto hinaus erstrecken können.
Das ist die Grundidee hinter dem Öko-Fahren, sagt Wu. Um jedoch die Auswirkungen solcher Maßnahmen herauszufinden, „diese sind herausfordernde Optimierungsprobleme“, die viele verschiedene Faktoren und Parameter beinhalten, „gibt es im Second eine Welle von Interesse daran, wie man schwierige Kontrollprobleme mit AI löst.“
Das neue Benchmark-System, das Wu und ihre Mitarbeiter auf der Grundlage der städtischen Öko-Fahrten entwickelt haben, die sie als „IntersectionZoo“ bezeichnen, soll dazu beitragen, einen Teil dieses Bedürfnisses zu befriedigen. Der Benchmark wurde ausführlich in a Papier Präsentiert auf der Internationalen Konferenz 2025 über Lernrepräsentation in Singapur.
In Angaben der Ansätze, die verwendet wurden, um solche komplexen Probleme anzugehen, ist WU laut WU eine wichtige Kategorie von Methoden darin, dass das Lernen von Tiefenverstärkern (DRL) ein Multi-Agent-Verstärkungs-Lernen (DRL) ist, aber ein Mangel an angemessenen Commonplace-Benchmarks zur Bewertung der Ergebnisse solcher Methoden hat den Fortschritt auf diesem Gebiet behindert.
Der neue Benchmark soll ein wichtiges Downside ansprechen, das Wu und ihr Crew vor zwei Jahren identifiziert haben. Wenn es bei den meisten vorhandenen tiefen Verstärkungslernalgorithmen für eine bestimmte Scenario (z. B. eine bestimmte Kreuzung) trainiert wird, bleibt das Ergebnis nicht related, wenn auch kleine Modifikationen vorgenommen werden, z.
Tatsächlich, wie Wu betont, ist dieses Downside der Nicht-Generalisierbarkeit „nicht nur für den Verkehr“, sagt sie. „Es geht bis zu kanonischen Aufgaben zurück, mit denen die Gemeinschaft den Fortschritt im Algorithmusdesign bewertet.“ Da die meisten derartigen kanonischen Aufgaben keine Änderungen vornehmen, ist es schwer zu wissen, ob Ihr Algorithmus bei dieser Artwork von Robustheit Fortschritte macht, wenn wir dies nicht bewerten. „
Während es viele Benchmarks gibt, die derzeit zur Bewertung algorithmischer Fortschritte in der DRL verwendet werden, sagt sie: „Dieses Ökotrettproblem enthält eine große Reihe von Merkmalen, die für die Lösung realer Probleme, insbesondere aus der Sichtweise der Generalisierbarkeit, wichtig sind und kein anderer Benchmark erfüllt.“ Aus diesem Grund positionieren die 1 Million datengesteuerten Verkehrsszenarien in IntersectionZoo sie auf einzigartige Weise, um die Fortschritte bei der DRL-Generalisierbarkeit voranzutreiben. Infolgedessen „dieser Benchmark ergänzt den Reichtum an Möglichkeiten zur Bewertung von tiefen RL -Algorithmen und Fortschritten“.
In Bezug auf die anfängliche Frage zum Stadtverkehr wird ein Schwerpunkt der laufenden Arbeiten dieses neu entwickelten Benchmarking-Instrument anwenden, um den speziellen Fall anzugehen, in dem sich die Auswirkungen auf die Emissionen aus der Implementierung von Öko-Fahren in automatisierten Fahrzeugen in einer Stadt entsprechen würden, je nachdem, wie viel Prozent der Fahrzeuge tatsächlich stationiert sind.
Wu fügt jedoch hinzu, dass „das Hauptziel dieser Studie, die die Entwicklung von allgemeinen Lernalgorithmen der allgemeinen Purple-Purple-Purple-Purple-Purple-Purple-Purpur-Lernalgorithmen auf diese Anwendung angewendet werden kann, aber auch auf all diese anderen Anwendungen angewendet werden kann, anstatt etwas zu erstellen, das es ist, die Entwicklung von allgemeinen Lernalgorithmen für allgemeine Verstärkung zu unterstützen.
Wu fügt hinzu, dass „das Ziel des Projekts darin besteht, dies als Instrument für Forscher bereitzustellen, das offen verfügbar ist.“ IntersectionZoo und die Dokumentation zum Gebrauch sind bei der Verwendung frei bei Github.
Wu wird von den Hauptautoren Vindula Jayawardana, einem Doktorand der MIT -Abteilung für Elektrotechnik und Informatik (EECs), auf dem Papier begleitet. Baptiste Freydt, ein Doktorand aus ETH Zürich; und Co-Autoren AO Qu, ein Doktorand im Transport; Cameron Hickert, ein IDSS -Doktorand; und Zhongxia Yan PhD ’24.