製造業調查
活動+
 

Berkeley Lab盼藉由深度學習 改善城市交通問題、減少污染

Berkeley Lab投入兩項實驗,透過深度學習技術優化交通、減少空氣污染。法新社

機器學習的應用廣泛,有學者將該技術用於智慧交通,在車上安裝偵測與辨識系統,若再結合深度學習技術所得的模擬經驗,自駕車在未來有能力透過V2V、V2X通訊判別車輛周遭動態,車輛可自行調控車速以避免交通阻塞並減少耗能,美國勞倫斯柏克萊國家實驗室(Lawrence Berkeley National Laboratory;Berkeley Lab)藉由深度學習技術投入兩項實驗,盼能分別減少交通阻塞以及空氣污染的狀況。

據ECNmagazine報導,Berkeley Lab的兩項計畫分別是CIRCLE(Congestion Impact Reduction via CAV-in-the-loop Lagrangian Energy Smoothing)以及DeepAir。CIRCLE團隊藉深度學習訓練,讓自駕車模擬如何根據不同的交通狀況做出應對,希望能夠有效減少塞車情況並且節省能源;DeepAir則是透過深度學習分析衛星影像以及環境數據等資料,即時預測並做出保護空氣品質的因應措施。

CIRCLE由Berkeley Lab以及加州大學柏克萊分校(UC Berkeley)共同研究,透過該實驗室自行研發的Flow軟體架構為基礎,進行模擬行車交通的實驗,藉由尖端開源微型模擬器(microsimulator)進行測試,Flow有能力自行設定並模擬數十萬種的自駕車與人為駕駛車輛的行車狀況,Berkeley Lab盼可以透藉由Flow打造全球首創的聯網自駕車(CAV)的系統,減少在高速公路上走走停停的塞車惡夢。

CIRCLE計畫研究者Eugene Vinitsky透露,深度學習可以訓練車輛確認與其前後的車輛的行駛狀況,模擬出不同的方法來應變,像是可以增速、減速,甚至是換道,當給車輛一個回饋訊號,例如目前交通停止或是順暢,車輛就會嘗試去順應不同的道路狀況。

CIRCLE團隊預計先在模擬器上用數據得到佐證,在未來的目標是要讓演算法實際上路測試,並且安裝於人為駕駛車輛,用於即時操作的指揮情境。

數學專家Benjamin Seibold曾在2015年的實驗證實,只要路面上有2%的車輛是自駕車,就能減少50%車流走走停停的情況,而CIRCLE計畫成果與該實驗不謀而合,主導學者Alexandre Bayen透露,即便自動化車輛的交通預測能力的應用還不廣泛,但實驗證實這樣成效已可節省大量的能源消耗,預測在未來10年內,此概念將會普及並被實際應用。

而Berkeley Lab的另一項計畫DeepAir也是由Berkeley Lab與加州大學柏克萊分校合作,學者Marta Gonzalez透露,過去評估污染的環境模型工具只能呈現天氣與污染的因果狀況,像是風速、氣壓、氣溫等條件,卻無法精確掌握什麼污染源正在影響環境。

DeepAir透過結合衛星影像、手機呈現的交通狀況數據、環境監測站測得的數據等,建立起一個數據資料庫,藉由深度學習的運算能力來分析、解讀數據,並在電腦上呈現的環境污染狀況。

DeepAir團隊希望可以從實驗中得知污染物的來源以及為何會造成污染,用數據基礎來建立有效的干預手段來阻止環境惡化,例如加州灣區的空氣清保護日就是一個成例,當局透過天氣狀況與污染源監測來限制交通、家用火柴燃燒狀況,藉由深度學習演算法的空氣預測達到有效的環境保護。

  •     按讚加入DIGITIMES智慧應用粉絲團