Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning
تقترح هذه الورقة إطار عمل للمحاكاة المشتركة القوية يدمج بين CARLA وSUMO، حيث تقوم استشعار الكاميرا القائم على YOLO بتغذية بيانات حركة المرور في الوقت الفعلي لوكلاء التعلم المعزز متعدد الوكلاء للتحكم التكيفي في الإشارات، مما يثبت أن النظام يحسن تدفق حركة المرور على مستوى الشبكة بفعالية حتى في ظل ظروف الاستشعار غير المثالية أو المتفرقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل شوارع المدينة كأنها لعبة "غميضة" أو "مطاردة" ضخمة وفوضوية، حيث الملايين من السيارات هي اللاعبون، وإشارات المرور هي الحكام. في عالم مثالي، سيمتلك هؤلاء الحكام رؤية خارقة، تُمكّنهم من رؤية كل سيارة فوراً وبدقة، مما يسمح لهم برفع الراية الخضراء تماماً في الوقت المطلوب للحفاظ على انسيابية اللعبة. هذا هو حلم "أنظمة النقل الذكية". ومع ذلك، في العالم الحقيقي، غالباً ما يعاني الحكام من ضعف في البصر، أو قد يفتقدون لاعباً مختبئاً خلف شجرة. وهنا يأتي دور "التعلم التعزيزي" (Reinment Learning). فكر فيه كمدرب يتعلم كيفية لعب اللعبة من خلال تجربة استراتيجيات مختلفة، وارتكاب الأخطاء، وفهم ما ينجح ببطء من خلال التجربة والخطأ. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكن للمدرب أن يتعلم إدارة حركة مرور مدينة بأكملها بفعالية إذا كانت المعلومات التي يتلقاها من الكاميرات غير دقيقة، أو ناقصة، أو حتى خاطئة تماماً أحياناً؟ إذا تمكن النظام من التعامل مع البيانات غير المثالية، فقد نتمكن أخيراً من بناء إشارات مرور ذكية تعمل حقاً في مدننا الواقعية الفوضوية، بدلاً من مجرد العمل في محاكاة حاسوبية مثالية.
تبني هذه الورقة البحثية ساحة لعب افتراضية ضخمة لاختبار ذلك بالضبط. لقد أنشأ الباحثون "محاكاة مشتركة" (Co-simulation)، وهي تشبه تشغيل لعبتين مختلفتين من ألعاب الفيديو في نفس الوقت وجعلهما يتواصلان مع بعضهما البعض. إحدى اللعبتين، تُسمى "CARLA"، هي عالم ثلاثي الأبعاد عالي الدقة يشبه الحياة الواقعية، مكتملاً بسيارات وطقس واقعي. والأخرى هي "SUMO"، وهي محاكي مروري قوي يتعامل مع الرياضيات الخاصة بكيفية تحرك آلاف السيارات عبر شبكة معينة. لقد وضعوا كاميرات افتراضية على أعمدة إشارات المرور في العالم ثلاثي الأبعاد. هذه الكاميرات لا تلتقط الصور فحسب؛ بل تستخدم نظام "عين ذكية" (أداة رؤية حاسوبية تُسمى YOLO) لعد السيارات وإخبار إشارة المرور بما يجب فعله تالياً.
قام الفريق بتدريب فريق من "الوكلاء" (برامج حاسوبية تعمل كمتحكمات في إشارات المرور) باستخدام طريقة تسمى "التعلم التعزيزي متعدد الوكلاء" (Multi-Agent Reinforcement Learning). تخيل مجموعة من الطلاب، كل واحد منهم مسؤول عن تقاطع واحد، يتعلمون كيفية الحفاظ على حركة المرور من خلال الحصول على نقاط عند إبقاء السيارات متحركة وفقدان النقاط عند جعلها تنتظر. لقد اختبروا أربع طرق مختلفة لمنح هذه النقاط (المكافآت): إحداها تعتمد على مدة انتظار السيارات، وأخرى على عدد السيارات في الطابور، وثالثة على سرعة السيارات، ورابعة على "ضغط" السيارات الذي يدفع باتجاه التقاطع.
إليكم ما وجدوه في مدينتهم الافتراضية:
- استراتيجية "متوسط السرعة" هي الفائزة: الوكلاء الذين كوفئوا على إبقاء متوسط سرعة السيارات مرتفعاً كانوا هم الأفضل أداءً. لقد نجحوا في تقليل إجمالي الوقت الذي تقضيه السيارات في المدينة وخفضوا أوقات الانتظار بشكل كبير مقارنة بإشارات المرور التقليدية ذات التوقيت الثابت.
- العيون غير المثالية لا تشكل عائقاً: على الرغم من أن الكاميرات الافتراضية ارتكبت أخطاءً — مثل عد سيارة ليست موجودة أو تفويت سيارة موجودة بالفعل — إلا أن وكلاء "متوسط السرعة" ظلوا يؤدون عملاً رائعاً. لقد كانوا أقوياء بما يكفي للتعامل مع "الضجيج" في البيانات.
- فخ "الطابور": ومع ذلك، فإن الوكلاء الذين كوفئوا حصرياً على إزالة طابور السيارات المتوقفة (طول الطابور) اصطدموا بحائط مسدود. ففي حركة المرور الكثيفة، يمتد طابور السيارات إلى الخلف كثيراً بحيث يخرج عن نطاق رؤية الكاميرا. يستمر الوكيل في رؤية "طابور ممتلئ" ولا يعرف ماذا يفعل، مما يؤدي إلى تعثر حركة المرور. أظهر هذا أن مجرد النظر إلى طابور السيارات ليس كافياً إذا لم تكن قادراً على رؤية الصورة الكاملة.
- الكاميرات الأفضل تساعد، لكنها ليست سحراً: اختبروا نسختين من برنامج "العين الذكية"، وهما YOLOv5 وYOLOv8 الأحدث. النسخة الأحدث كانت أكثر دقة، حيث ارتكبت أخطاء أقل في العد، وكانت حركة المرور أفضل قليلاً. ولكن حتى مع الكاميرا الأقدم والأقل دقة، ظل الوكلاء الأذكياء يحسنون تدفق حركة المرور مقارداً بالعمل دون أي تدخل.
اكتشف الباحثون أيضاً وجود "شبكة أمان" في نظامهم. فإذا ارتبك الكمبيوتر ولم يستطع اتخاذ قرار، كان هناك قاعدة تفرض تغيير الإشارة بعد 60 ثانية، مما يمنع حدوث اختناق مروري كامل. كما لاحظوا أنه بينما عمل نظامهم جيداً في المحاكاة، فإن تشغيله مع جميع الكاميرات وحركة المرور الكثيفة استغرق حوالي ضعف الوقت الفعلي، مما يعني أنه سيحتاج إلى أجهزة كمبيوتر قوية (أو "حوسبة الحافة" - Edge Computing مباشرة عند التقاطع) ليعمل في العالم الحقيقي.
في النهاية، تشير هذه الدراسة إلى أننا لسنا بحاجة إلى رؤية مثالية وواضحة تماماً لبناء أنظمة مرور ذكية. فحتى مع وجود بيانات غير مثالية ومليئة بالضجيج من كاميرات عادية، يمكن للتعلم التعزيزي أن يعلم إشارات المرور كيف تكون أكثر كفاءة مما هي عليه اليوم. إنها خطوة واعدة نحو مستقبل تكون فيه إشارات المرور لدينا مثل مدربين أذكياء، يتعلمون كيفية الحفاظ على استمرار اللعبة حتى عندما لا تكون الرؤية من جانب الملعب مثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.