SCI Tech Daily 指出：仅 2014 年，美国人在通勤上就耗费了 69 亿个小时。此外交通拥堵造成的额外汽油消耗，平均也高达 19 加仑 —— 相当于每年损失 1600 亿美元的时间和燃料。更确切地说，在美国的许多大城市，普通司机每年可能会浪费 100 多个小时的通勤时间。
参考典型的工作场合，路途上浪费的时间，足够通勤者每年休两个半星期的假。好消息是，许多研究人员正在努力减少交通拥堵 —— 无论是大力发展自动驾驶汽车、或是引入 AI 交通信号灯。
本文要为大家介绍的，第 21 届 AAMAS 会议论文集中收录的、来自阿斯顿大学研究团队的人工智能信号灯技术。可知其系统能够实时扫描视频片段以调节灯控信号，以减少拥堵 / 保持道路通畅。
Deepeka Garg、Maria Chli 和 George Vogiatzis 在题为《Fully-Autonomous, Vision-based Traffic Signal Control: from Simulation to Reality》文中解释称：
● 借助深度强化学习，AI 软件能够分辨道路交通何时出现了不畅，并尝试一种新方法来改进信号灯、或在取得进展时持续加以改进。
● 这套 AI 系统在测试期间的表现一骑绝尘，远超通常依赖于手动设计而作出的改变。
● 此外信号灯放行时间的不足，是造成高峰期道路拥塞的一个主要原因。
为找到化解交通拥堵的最优解，阿斯顿大学研究人员先是构建出了一套拟真度与照片相仿的 Traffic 3D 交通模拟器场景。
通过教授 AI 系统应对不同的佳通和天气状况，深度强化学习可让这套系统在面对真实的十字路口画面时很快适应。
该校计算机科学专业的 Maria Chli 解释称：
我们将之设置为一场交通信号灯的调控游戏，当程序让汽车途径一个路口时，即可获得适当的‘奖励’。
而当汽车必须等待、或道路出现拥塞时，系统又会接收到负面评价。但实际上，我们并未对其有任何输入，而是只对控制系统给予奖惩。
作为参考，当前已经投入使用的交通信号灯自动化调控系统，多依赖于道路上的磁感应回路、以对过往的车辆进行计数，并据此做出一些回应。
而阿斯顿大学研究团队新创的 AI 系统，却能够在汽车通过红灯路口前、更快地“预见”到更高的交通流量并做出决定。
阿斯顿大学计算机科学高级讲师 George Vogiatzis 博士补充道：
之所以将这套程序构建在行为学习的基础上，是因为它能够理解以往没有明确经历过的情况。
我们已经通过一个导致拥堵的物理障碍物、而不是交通信号灯相位来验证测试，结果表明这套系统的表现依然良好。
显然，只要各因素之间存在因果关系，计算机最终都会搞明白其中的厉害管理，这也是这套 AI 交通信号灯控制系统的异常强大之处。
比如程序可以设置为查看某个地区的任何交通路口，然后开启自主学习、而无需使用特定的指令来编程。此外如有需要，交通管理单位也可设置优先保障应急救援车辆的快速通行。
最后，如果一切顺利，研究人员希望他们能够从今年开始在真实道路上测试这套系统。
（举报）