蓋世汽車訊 據(jù)外媒報道，美國能源部旗下勞倫斯伯克利國家實驗室（Lwrence Berkeley Ntionl Lbortory，Berkeley Lb）發(fā)布了新的研究項目，旨在將人工智能應用到自動駕駛車輛中，從而使交通流更為順暢、節(jié)省車輛油耗并改善空氣質量。

該機構還與加州大學伯克利分校（UC Berkeley）開展合作，將深度強化學習技術用于訓練控制器，實現(xiàn)更加可持續(xù)的交通模式。深度強化學習是一種計算工具。

利用Flow提升交通流順暢度

Flow是業(yè)內(nèi)首款軟件框架，可供研發(fā)人員發(fā)現(xiàn)、標記優(yōu)化交通流的相關方案，其采用最新款開源微型模擬器，可模擬上萬輛車輛，部分車輛由人工駕駛，其他車輛則屬于自動駕駛車輛的范疇，可定制化交通情境內(nèi)的車輛駕駛。

研究人員利用Flow設計、測試、部署首款互聯(lián)與自動駕駛車輛（CAV）的車載系統(tǒng)，主動緩解高速道路上走走停停的幽靈賽車現(xiàn)象（stop-nd-go phntom trffic jm）。

強化學習是如何緩解交通擁堵的？

深度強化學習可被用于訓練計算機下圍棋并教會機器人如何在障礙賽跑場地（obstcle course）奔跑。在培訓過程中，系統(tǒng)會進行觀察，然后利用迭代技術反復強化該行動，然后再挑選出行動的優(yōu)先項。

在交通用例中，F(xiàn)low將訓練車輛檢查其前方和后方是否有車輛靠近。

DeepAir項目

該防污染項目取名為DeepAir，其意為利用深度學習與衛(wèi)星圖像對空氣質量進行大規(guī)模的評估。

該項目研究人員將利用深度學習算法，分析衛(wèi)星圖片，并將其與手機的交通信息及環(huán)境監(jiān)測站采集的數(shù)據(jù)。

據(jù)研究人員預計，最終的結果分析使其能洞察污染物的來源及分布，最終便于其設計更為高效、及時的介入手段。（本文圖片選自newscenter.lbl.gov）

返回第一電動網(wǎng)首頁 >