Si hay una cosa que caracteriza la conducción en cualquier ciudad importante, es la constante parada y go a medida que cambian los semáforos y a medida que los automóviles y camiones se fusionan y se separan y giran y se estacionan. Esta parada constante y manifestación es extremadamente ineficiente, lo que aumenta la cantidad de contaminación, incluidos los gases de finalidad invernadero, que se emite por milla de conducción.
Un enfoque para contrarrestar esto se conoce como conducción ecológica, que se puede instalar como un sistema de control en vehículos autónomos para mejorar su eficiencia.
¿Cuánta diferencia podría hacer eso? ¿El impacto de tales sistemas en la reducción de las emisiones valdría la pena la inversión en la tecnología? Invadir tales preguntas es una de una categoría amplia de problemas de optimización que han sido difíciles de atracar para los investigadores, y ha sido difícil probar las soluciones que se les ocurre. Estos son problemas que involucran a muchos agentes diferentes, como los diferentes tipos de vehículos en una ciudad, y diferentes factores que influyen en sus emisiones, incluida la velocidad, el clima, las condiciones de la carretera y el tiempo de semáforo.
«Nos interesamos hace unos abriles en la pregunta: ¿hay poco que los vehículos automatizados puedan hacer aquí en términos de mitigar las emisiones?» Cathy Wu, Thomas D. y Virginia W. Cabot Development Profesor Asociado en el Unidad de Ingeniería Civil y Ambiental y el Instituto de Datos, Sistemas y Sociedad (IDSS) en MIT, e investigador principal en el Laboratorio de Información y Sistemas de Valentía. «¿Es una pizca en el balde o es poco en lo que pensar?», Se preguntó.
Para atracar una pregunta de este tipo que involucra tantos componentes, el primer requisito es compilar todos los datos disponibles sobre el sistema, de muchas fuentes. Uno es el diseño de la topología de la red, dice Wu, en este caso un planisferio de todas las intersecciones en cada ciudad. Luego están los datos del Servicio Geológico de los Estados Unidos que muestran las elevaciones, para determinar el calidad de las carreteras. Además hay datos sobre temperatura y humedad, datos sobre la combinación de tipos de vehículos y edades, y sobre la combinación de tipos de combustible.
La conducción ecológica implica hacer pequeños ajustes para minimizar el consumo innecesario de combustible. Por ejemplo, a medida que los automóviles se acercan a un semáforo que se ha vuelto rojo, «no tiene sentido conducir lo más rápido posible alrededor de la luz roja», dice ella. Simplemente costando, «Mientras tanto, no estoy quemando gas o electricidad». Si un automóvil, como un transporte automatizado, se ralentiza en el acercamiento a una intersección, entonces los autos convencionales y no automatizados detrás de él además se verán obligados a ceñir la velocidad, por lo que el impacto de la conducción tan eficaz puede tenderse mucho más allá del automóvil que lo está haciendo.
Esa es la idea básica detrás de la conducción ecológica, dice Wu. Pero para descubrir el impacto de tales medidas, «estos son problemas de optimización desafiantes» que involucran muchos factores y parámetros diferentes, «por lo que hay una ola de interés en este momento en cómo resolver problemas de control duro usando IA».
El nuevo sistema de narración que Wu y sus colaboradores desarrollaron en colchoneta a la conducción ecológica urbana, que llaman «intersectionzoo», tiene la intención de ayudar a atracar parte de esa condición. El punto de narración se describió en detalle en un papel Presentado en la Conferencia Internacional 2025 sobre representación de estudios en Singapur.
Al observar los enfoques que se han utilizado para atracar tales problemas complejos, Wu dice que una categoría importante de métodos es el estudios de refuerzo profundo de múltiples agentes (DRL), pero la desliz de puntos de narración en serie adecuados para evaluar los resultados de tales métodos ha obstaculizado el progreso en el campo.
El nuevo punto de narración tiene la intención de atracar un tema importante que Wu y su equipo identificaron hace dos abriles, que es que con la mayoría de los algoritmos de estudios de refuerzo profundo existentes, cuando se capacitan para una situación específica (por ejemplo, una intersección particular), el resultado no sigue siendo relevante cuando se realizan modificaciones pequeñas, como añadir un carril de biciclo o cambiar la sincronización de una luz de tráfico, incluso cuando se les permite entrenar para el proscenio modificado.
De hecho, señala Wu, este problema de no generalizabilidad «no es exclusivo del tráfico», dice ella. «Regresa hasta las tareas canónicas que la comunidad utiliza para evaluar el progreso en el diseño de algoritmos». Pero adecuado a que la mayoría de estas tareas canónicas no implican hacer modificaciones, «es difícil entender si su operación está progresando en este tipo de problema de robustez, si no evaluamos eso».
Si admisiblemente hay muchos puntos de narración que se utilizan actualmente para evaluar el progreso algorítmico en DRL, dice: «Este problema de conducción ecológica presenta un rico conjunto de características que son importantes para resolver problemas del mundo vivo, especialmente desde el punto de clarividencia de universalización, y que ningún otro punto de narración satisface». Esta es la razón por la cual los 1 millón de escenarios de tráfico basados en datos en intersectionzoo lo posicionan de guisa única para avanzar en el progreso en la universalización de DRL. Como resultado, «este punto de narración se suma a la riqueza de las formas de evaluar los algoritmos y el progreso RL profundos».
Y en cuanto a la pregunta original sobre el tráfico de la ciudad, un enfoque del trabajo en curso aplicará esta útil de evaluación comparativa recientemente desarrollada para atracar el caso particular de cuánto impacto en las emisiones provendrá de la implementación de la conducción ecológica en vehículos automatizados en una ciudad, dependiendo de qué porcentaje de dichos vehículos en realidad se despliegan.
Pero Wu agrega que «en sitio de hacer poco que pueda implementar el conducto ecológico a escalera de la ciudad, el objetivo principal de este estudio es apoyar el progreso de algoritmos de estudios de refuerzo profundo de uso militar, que se pueden aplicar a esta aplicación, pero además a todas estas otras aplicaciones, conducción autónoma, videojuegos, problemas de seguridad, problemas de robóticos, problemas de control clásico».
Wu agrega que «el objetivo del esquema es proporcionar esto como una útil para los investigadores, que está abiertamente arreglado». Intersectionzoo, y la documentación sobre cómo usarla, están disponibles gratis en Github.
A Wu se une al documento por los autores principales Vindula Jayawardana, un estudiante titulado en el Unidad de Ingeniería Eléctrica e Informática del MIT (EECS); Baptiste Freydt, un estudiante titulado de ETH Zurich; y coautores AO Qu, un estudiante titulado en transporte; Cameron Hickert, un estudiante titulado de IDSS; y Zhongxia Yan PhD ’24.