自駕車緩解塞車窘境

編譯／台大資工所 許晉華

道路交通模擬

研究採用一套名為SUMO（Simulation of Urban MＯbility）的平台來模擬道路交通。該平台有著與電玩遊戲相似的介面，使用者可自由設定如道路形式、交通管制燈號與車流量等背景參數。研究團隊的主要構想，是希望藉由增加車潮中自駕車的比例，以緩衝、調整人類駕駛的錯誤駕駛行為，提升整體交通效率。模擬考慮了多種道路情境，包括單一圓環、雙圓環、8字形道路、十字路口、多條車道匯集的瓶頸路段，甚至紐約曼哈頓市區的方格狀街區設計。

圖一、道路模擬情境：8字形與圓環 (來源：Flow Project)

所有加入車流的自駕車，都由一個基於強化學習（reinforcement learning）架構所訓練出的「中央演算法」所控制，調整自駕車加速與剎車頻率；唯獨在曼哈頓方格街區的模擬情境中，由於交叉路口密集，改由讓中央演算法控制交通號誌來影響車流。

自駕車提升整體車速

實驗結果相當亮眼：在8字形道路、共14台人駕車行駛的情境下，替換其中一台為自駕車後，整體車速提升至兩倍；在瓶頸路段模擬中，10%的人駕車替換為自駕車後，交通狀況獲得改善，甚至在某些時段，平均車速也提升達兩倍以上；在曼哈頓街區的模擬中，由AI代管交通號誌的情況下，道路可運輸車量增加了7%。然而，實際上，其中的訣竅相當簡單：保持自駕車車速、保持與前方車輛的安全距離，以及減少剎車次數與頻率。

圖二、瓶頸路段的模擬：無自駕車(上)、有自駕車加入的情境(下)。(來源：Flow Project)

立即行動

當然，該研究的主導人Eugene Vinitsky不諱言這樣的演算法尚有改善空間，因此選擇公開原始程式碼，歡迎大家參考、使用，在既有的框架下集思廣益，開發出更好、更完美的版本，有朝一日，將自駕車與AI實際應用於交通路況的監控。

而在此之前，其實已有許多既有的技術與配備，只有稍作修改，便可有效改善交通狀況。舉例來說，現有多數市售汽車皆具的主動車距調節巡航系統（Adaptive cruise control，ACC）就是其中之一。AI所採用的交管策略看似簡單：維持一定車速、與前方車輛保持安全距離並減少非必要的剎車，但要讓所有駕駛都遵守卻相當困難。ACC可以根據上述原則自動調整剎車次數、加速模式、車距與車速等，來緩解塞車現象，節省時間、燃料，甚至挽救一些無辜的生命。這是我們當下可以立即採取的行動。

編譯來源

M. Hutson, “Watch just a few self-driving cars stop traffic jams”, Science/AAAS, 16 Nov 2018.

參考資料

Alexandre Bayen’s Mobile Sensing Lab, “Flow: a deep reinforcement learning framework for mixed autonomy traffic”, Flow.

(本文由教育部補助｢AI報報─AI科普推廣計畫」執行團隊編譯)