MIT的智慧,利用深度学习来解决了交通堵塞

|----|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 导读 | 大家都对交通阻塞深恶痛绝。除了让人头疼和错过约会之外,交通拥堵让美国的司机每年多花3000亿美元。 研究人员建议大家使用自动驾驶汽车,即使数量占比并不大,但也能大大改善交通拥堵情况。 Lex Fridman和他的MIT团队开发了一款模拟游戏来加速实现这个未来。DeepTraffic模拟的是典型的公路环境,玩家使用深度学习技术来控制自己的汽车。这款模拟游戏让初学者也能接触并使用复杂的技术概念,同时也推动专家们去开发全新的技术。 |

采用神经网络的交通游戏

假设你在洛杉矶一条拥挤的高速公路上开车。你必须确定好你与前车之间的距离、何时变道,以及如何避免撞到其他车辆。这就是所谓的路径规划。有了DeepTraffic,任何人都可以设计和训练一个深度神经网络来实现上面这些功能。

上个月在硅谷举行的GPU技术大会(GTC)上,Fridman讲述了这款建立在强化学习之上的游戏的设计原理。它通过对神经网络完成指定动作进行奖励来实现AI。通过反反复复的训练和奖励,神经网络最终学会如何运行。

在这个游戏中,神经网络控制一辆红色的汽车在一条拥挤的高速公路上行驶,它的目标是尽可能快地通过公路。初学者可以在浏览器中使用JavaScript来控制参数并改变汽车的行驶。而高级玩家可以使用OpenAI Gym访问DeepTraffic,并可通过OpenAI Gym提供的任意Python接口对网络进行训练。

极速赛车手:DeepTraffic玩家使用深度学习来快速行驶。

DeepTraffic最初是Fridman在MIT为了给学生上课而开发的。当课程内容和这款游戏向公众开放时,受到了大家的热烈欢迎,迄今为止已经有12000人次提交了他们的模型。在游戏排行榜上记录了车速最快,同时也是神经网络速度最快的选手的名单。

游戏的乐趣来自于玩家之间的竞争,而现实世界的奖金要高得多。自动驾驶车辆必须要为到达目的地规划一条安全的路径,这个过程相当的复杂,必须要用到AI。而像DeepTraffic这样的教育工具既有助于培养AI开发人员,也能让改变汽车生态系统的解决方案涌现出来。

你可以在这里找到Fridman在GTC上的完整的演讲(包括PDFMP4)。通过这个演讲,你还能了解到路径规划的层次结构、强化学习的优缺点,以及有关DeepTraffic网络训练的技术细节。

相关推荐
weixin_4180076028 分钟前
使用opencv来识别信用卡的号码
人工智能·opencv·计算机视觉
荼蘼32 分钟前
基于 OpenCV + 深度学习的实时人脸检测与年龄性别识别系统
人工智能·深度学习·opencv
凯子坚持 c41 分钟前
2025年大模型服务性能深度解析:从清华评测报告看蓝耘元生代MaaS平台的综合实力
大数据·数据库·人工智能
jie*44 分钟前
小杰深度学习(five)——正则化、神经网络的过拟合解决方案
人工智能·python·深度学习·神经网络·numpy·matplotlib
通信小呆呆44 分钟前
ISAC 用电磁波感知,能很好地保护用户隐私吗?
人工智能·信息与通信·用户隐私·通信感知一体化
WLJT1231231231 小时前
中国建材网:重构建材行业生态的数字力量
大数据·人工智能
zezexihaha1 小时前
2025 AI 图景:从工具革命到生态重构的五大趋势
人工智能·重构
想躺平的咸鱼干1 小时前
Spring AI Alibaba
java·人工智能·spring
whaosoft-1431 小时前
51c自动驾驶~合集36
人工智能
Psycho_MrZhang1 小时前
丢弃法-Dropout
人工智能·深度学习·机器学习