Çoğumuz, geçmek için trafik sinyallerinde ışık yeşile dönene kadar beklemekten hoşlanmayız. Bazen sinyalleri atlamaya çalışırız ve sürecin içinde kalırız ve ardından ağır bir para cezası öderiz. Bu bazen kazalara da neden olabilir. Sinyalde beklemenin çok yorucu olduğu ve çevreye zarar verirken yakıt israfı ve zaman açısından bize mal olduğu doğrudur. Sürücüler ve politika planlayıcılar, küçük de olsa bu sıkıntıyı sona erdirmek için pratik bir alternatif istiyorlar. Massachusetts Teknoloji Enstitüsü’ndeki (MIT) araştırmacılar, bir tanesini ortaya çıkardıklarını düşünüyorlar.
Ekip, sürücülerin sinyalin rengini değiştirmesi için trafik kavşağında beklemek zorunda kalmamasını sağlamanın yollarını bulmaya çalıştı. Bunun yerine, sinyale tam olarak yeşil olduğu bir zamanda ulaşırlarsa ne olur? İnsan sürücülerin bunu başarması zor olsa da, yapay zeka kullanan otonom bir araç tarafından tutarlı bir şekilde yapılabilir.
AI kullanılarak aracın hızı, rengin yeşile dönmesini beklemek zorunda kalmadan geçmek için tam zamanında bir sonraki sinyale ulaşacak şekilde ayarlanabilir.
Çalışmalarında, yayınlanan ön baskı sunucusunda arXiv, araştırmacılar, trafiğin akışını sorunsuz tutacak şekilde kendi kendini süren bir araç filosunu kontrol etmeyi öğrenebilen bir makine öğrenimi yaklaşımı gösteriyorlar. Yüksek lisans öğrencisi Vindula Jayawardana liderliğindeki araştırmacılar ekibi, yaklaşımlarının ortalama araç hızını artırırken yakıt tüketimini ve emisyonları azalttığını söylüyor.
“Burası müdahale etmek için gerçekten ilginç bir yer. Bir kavşakta mahsur kaldıkları için kimsenin hayatı daha iyi değil” diyor kıdemli yazar Cathy Wu alıntı dediği gibi.
Ama bir komplikasyon daha var. Araştırmacılar, sistemin yakıt tasarrufu sağlayan ve aynı zamanda yolculuk süresini en aza indiren bir teknik öğrenmesini istiyor. Bu hedefler uyumsuz olabilir. Wu, seyahat süresinden tasarruf etmek için otomobilin hızlı hareket etmesini istemelerine rağmen, emisyonları azaltmak için yavaşlamasını veya hiç hareket etmemesini istediklerini söylüyor. Bu rekabet eden senaryolar, öğrenme aracısı için son derece kafa karıştırıcı olabilir.
Sonuç olarak, araştırmacılar ödül şekillendirme olarak bilinen bir geçici çözüm geliştirdiler. Ödül şekillendirmeyi kullanarak sistem alanına kendi başına öğrenemeyeceği bilgileri sağladılar. Bu senaryoda, araç tamamen durduğunda sistemi cezalandırdılar, böylece gelecekte bunu yapmaktan kaçınmayı öğrenecekti.
Kontrol algoritmalarını, inşa ettikten sonra tek bir kavşak içeren bir trafik simülasyon platformu kullanarak test ettiler. Otomobiller kavşağa yaklaştıkça, sistemleri dur-kalk trafiğine neden olmadı. Arabalar, önlerindeki durmuş trafik nedeniyle tamamen durmak zorunda kaldığında, buna dur-kalk trafik denir.
Simülasyonlarda tek bir yeşil aşamadan daha fazla araba geçerek, insan sürücüleri simüle eden bir modelden daha iyi performans gösterdi. Dur-kalk trafiğini önlemeyi amaçlayan önceki optimizasyon stratejileriyle karşılaştırıldığında, yaklaşımları daha yüksek yakıt tasarrufu ve daha düşük emisyonlarla sonuçlandı.
Yoldaki tüm araçlar otonom ve sistemlerine bağlıysa, yakıt tüketimini yüzde 18, CO2 emisyonunu yüzde 25 azaltırken, seyahat hızını yüzde 20 artırabileceklerini söylüyorlar. Araçların yalnızca yüzde ikisi otonom olsa bile, toplam yakıt ve emisyon azaltma faydalarının en az yüzde 50’sini sunabilirler.