Cambridge, MA — InkDesign News — Pesquisadores do Massachusetts Institute of Technology (MIT) desenvolvem um novo benchmark baseado em machine learning para avaliar a eficácia de políticas de eco-condução em veículos autônomos, com foco em inteligência artificial aplicada a problemas urbanos complexos.
Contexto da pesquisa
A pesquisa aborda o problema da ineficiência e do aumento das emissões causados pelo constante parar e arrancar no trânsito das grandes cidades. A eco-condução, que envolve ajustes sutis para minimizar o consumo desnecessário de combustível, pode ser implementada em veículos autônomos para reduzir esses impactos. Porém, avaliar o real benefício de sistemas de eco-condução em um ambiente urbano é um problema de otimização complexa, que envolve diversos agentes e variáveis como tipo de veículos, condições climáticas, topografia e temporização de semáforos.
Método proposto
Para enfrentar essa complexidade, o time do MIT criou o benchmark “IntersectionZoo”, baseado em aprendizagem por reforço profundo multiagente (deep reinforcement learning – DRL). O sistema simula mais de 1 milhão de cenários reais do tráfego urbano, incluindo modificações no ambiente, como faixas para bicicletas e alterações no tempo dos semáforos, permitindo avaliar a generalização dos algoritmos de DRL para diferentes contextos. Esse método também incorpora dados geográficos, climáticos e demográficos para aumentar a fidelidade da simulação.
“Nos interessamos pela questão: há algo que os veículos automatizados poderiam fazer para mitigar emissões? É algo insignificante ou relevante para ser considerado?”
(“We got interested a few years ago in the question: Is there something that automated vehicles could do here in terms of mitigating emissions? Is it a drop in the bucket, or is it something to think about?”)— Cathy Wu, Professora Associada, MIT
Resultados e impacto
A pesquisa identificou que algoritmos treinados para uma situação específica tornam-se pouco eficazes quando pequenas mudanças são feitas no ambiente. Assim, o benchmark IntersectionZoo destaca o desafio da não generalização em DRL e propõe uma ferramenta robusta para avaliação contínua neste aspecto. O uso de dados realistas e variados permite avaliar com maior precisão a eficácia da eco-condução em reduzir as emissões do tráfego urbano, considerando diferentes frações de veículos autônomos na frota.
Além da aplicação direta em veículos autônomos, o framework suporta o desenvolvimento e teste de algoritmos de DRL aplicáveis a variadas áreas como segurança, robótica, jogos e controle clássico.
“Este benchmark adiciona diversidade na forma de avaliar algoritmos de aprendizado profundo e seu progresso.”
(“This benchmark adds to the richness of ways to evaluate deep RL algorithms and progress.”)— Cathy Wu, Professora Associada, MIT
Os próximos passos incluem a aplicação direta do IntersectionZoo para mensurar o impacto real da eco-condução em cidades, conforme a taxa de adoção de veículos autônomos. O código e a documentação estão disponíveis publicamente no GitHub para facilitar pesquisas futuras.
Veja mais conteúdos relacionados em machine learning e deep learning.
Fonte: (TechXplore – Machine Learning & AI)
