In naher Zukunft könnten Ampeln selbst entscheiden, ob Sie zum Überholen berechtigt sind oder nicht. Wissenschaftler der Ashton University haben gerade ein künstliches Intelligenzsystem (KI) entwickelt, das basierend auf dem beobachteten Verkehr in Echtzeit bestimmen kann, ob eine Ampel auf Grün schalten soll oder nicht.
“ Im Jahr 2019 kosteten städtische Staus im Vereinigten Königreich den durchschnittlichen britischen Bürger schätzungsweise 115 Stunden – und 894 £ an Kraftstoff- und Einkommensverlusten – jedes Jahr. „Können wir eine Pressemitteilung der Ashton University lesen, in der diese Innovation beschrieben wird?“ Eine der Hauptursachen für Staus ist die Nichtübereinstimmung der Ampelpläne “.
Also beschloss ein Forscherteam, dieses Problem direkt anzugehen und über ein effizienteres Ampelsystem nachzudenken, das den Verkehr durch die Berücksichtigung von Echtzeitdaten flüssiger fließen lassen würde. Dafür setzten sie auf künstliche Intelligenz, genauer gesagt auf ein Programm, das mit einem maschinellen Lernsystem ausgestattet ist. Das sei ihm gelungen, weil erste Tests bewiesen hätten, dass ihre Software den Verkehr effektiver erleichtern könne als alle anderen bereits existierenden automatisierten Systeme. Die Universität veröffentlichte ihre Ergebnisse und präsentierte sie auf der Konferenz Unabhängige Agenten und Multiagentensysteme11. Mai 2022.
Das Prinzip ihrer Technologie ist relativ einfach, da künstliche Intelligenz auf das Videokamera-Feed zurückgreift, um die Verkehrsdichte zu bestimmen und Ampeln entsprechend anzupassen. Basierend auf dem, was sie durch das Video erkennen kann, trifft sie eine Entscheidung und kann vor allem aus ihren Fehlern lernen, um ihre Ergebnisse im Verlauf der Tests zu verbessern.
Umgang mit dem Unerwarteten
Während des Trainings arbeiteten die Wissenschaftler in ihrem Programm an einer Simulation namens Traffic 3D. Es bietet verschiedene Bedingungen für Verkehr, Wetter … und Einsatzfahrzeuge wurden verwendet, um das Verhalten der künstlichen Intelligenz ihnen gegenüber zu überprüfen. Mit jedem Erfolg erhielt das System eine Validierung, eine „Belohnung“, ein bisschen wie wenn man ein Tier trainieren wollte.
Das Team hat Richten Sie dies als Verkehrskontrollspiel ein. Das Programm erhält einen “Bonus”, wenn es ein Auto über eine Kreuzung fährt. Jedes Mal, wenn das Auto dort warten muss, wo es eine Blockade gibt, gibt es einen negativen „Bonus“. Es gibt wirklich keinen Beitrag von uns. Wir kontrollieren nur das Belohnungssystem sagt Maria Shelley, Dozentin für Informatik an der Ashton University.
Wenn maschinelles Lernen bevorzugt wird, liegt dies daran, dass es dem System ermöglicht, sich an Situationen anzupassen, auch wenn es zuvor nicht programmiert oder erfahren wurde. Beispielsweise baute das Team eine physische Hürde ein, um einen ungewöhnlichen Engpass zu schaffen, und die Software konnte sich trotzdem anpassen. ” Solange es einen kausalen Zusammenhang gibt, wird der Computer schließlich herausfinden, was dieser Zusammenhang ist. Es ist ein sehr mächtiges System Sagt George Vogiatzis, Dozent für Informatik an der Aston University.
Als die KI auf einer echten Straße getestet wurde, konnte sie sich anpassen. Forscher glauben daher, dass es in vielen realen Situationen eingesetzt werden kann. Ampelautomatisierungssysteme gibt es bereits. Laut den Wissenschaftlern dieser Studie verlassen sie sich jedoch im Allgemeinen auf ein Erkennungssystem, das funktioniert, wenn ein Auto eine magnetische Induktionsschleife passiert. Dies ermöglicht es Ampeln, sich an den Verkehr anzupassen, aber nicht wirklich vorherzusagen, wie dies die KI direkt anhand visueller Daten tun kann.
Die Forscher hoffen, ihr System noch in diesem Jahr unter realen Bedingungen testen zu können. Sie sagen, er könne an jeden Scheideweg gestellt werden, um „auf eigene Faust“ zu lernen. Darüber hinaus wird die Veröffentlichung nicht unbedingt teuer sein, da in vielen Städten, wie z. B. London, bereits Verkehrsüberwachungskameras vorhanden sind, die den Zugang für die Öffentlichkeit an einem speziellen Ort ermöglichen.