DeepTraffic:MIT 的模擬遊戲如何運用深度學習技術來減少塞車情況

作者 Danny Shapiro

塞在車陣裡一點也不好受,而且也得付出相當代價。塞車除了讓人頭痛和趕不上開會,還讓美國駕駛人一年浪費掉三千多億美元。

研究人員提出就算是少量的自動駕駛車也能大幅改善交通流量。Lex Fridman 與他在麻省理工學院(MIT)的研究團隊建立一款遊戲,加快在未來落實這個目標的腳步。

DeepTraffic 這套遊戲模擬尋常高速公路的行車環境,玩家使用深度學習來操控自己的車輛。這項模擬內容讓初學者也能領略到複雜高深的科技概念,且遊戲化的作法也推動專家們開發嶄新技術。

以神經網路操控車輛

 

想像一下你開車洛杉磯某條車水馬龍的高速公路上,必須決定要跟前車保持多近的距離、何時要切換車道,還有要怎麼避免追撞其它車輛,這便是路徑規畫。任何人藉由 DeepTraffic 都能設計和訓練一套深度神經網路來執行這項作業。

Fridman 在矽谷舉行的 GPU 科技大會裡,介紹如何以強化學習為基礎發展出這套遊戲。透過神經網路因採取預定的行動而獲得獎勵的作法,而實現人工智慧。一再重複這些獎勵,神經網路便學會如何執行。

在這項遊戲裡,神經網路操控紅色車輛在繁忙的高速公路上行駛,目標是盡快在車陣中穿梭前行。初學者使用瀏覽器裡的 javascript 來調整參數和變更車輛的駕駛行為。資深玩家則是經由 OpenAI Gym 進入 DeepTraffic,使用 Python 介面來訓練神經網路。

閃電飛車手:DeepTraffic 的玩家使用深度學習技術,讓車輛飛快在車陣中穿梭前行。

DeepTraffic 原本是一項 Fridman 為了在 MIT 的課程所發展出的教材,在課程內容遊戲開放供大眾使用時,獲得熱烈迴響。到目前為止有超過12,000人提出他們的 DeepTraffic 遊戲模型,競爭可謂相當激烈。績分榜上可以見到名列前矛的玩家,還有他們的神經網路所達到的最快速度。

遊戲讓玩家們相互競爭,增加了不少趣味性,然而在實體環境裡風險可是大多了。自動駕駛車必須規畫兩點之間的安全行車路線,而各種路況頻生,此時就得藉助於人工智慧。DeepTraffic 這一類教育工具有助於培養下一代的人工智慧開發人員,且路面解決方案也將為車業生態體系改頭換面。

下方提供了 Fridman 在 GTC 的完整演講內容影片,其中介紹了路徑規畫的層級、強化學習、優缺點,以及訓練 DeepTraffic 神經網路的詳細技術資料。

在此可觀看GTC 大會裡其它汽車產業相關會議內容,十月時還能參加 GTC Europe 大會,更深入瞭解自動駕駛車輛的未來發展動向。

 精選圖片提供:rust.bucket, licensed via Creative Commons.