DeCoR: Design and Control Co-Optimization for Urban Streets Using Reinforcement Learning
تقدم الورقة البحثية DeCoR، وهو إطار عمل للتعلم التعزيزي ثنائي المراحل يعمل على التحسين المشترك لتخطيطات ممرات المشاة الحضرية والتحكم التكيفي في الإشارات لتقليل تأخيرات المشاة والمركبات بشكل كبير في ممرات حقيقية مع التعميم على الطلبات المتغيرة دون الحاجة لإعادة التدريب.
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 شارعًا مزدحمًا في المدينة كأنه ساحة رقص عملاقة وفوضوية. على أحد الجوانب، هناك مشاة يحاولون العبور؛ وعلى الجانب الآخر، هناك سيارات تحاول المرور. حاليًا، غالبًا ما يضع مخططو المدن ساحة الرقص هذه (ممرات المشاة) بناءً على قواعد قديمة، مثل "ضع ممر مشاة كل 100 قدم"، ثم يستأجرون "دي جي" (إشارة المرور) ليعزف إيقاعًا ثابتًا، بغض النظر عن عدد الأشخاص الذين يرقصون بالفعل.
تقدم الورقة البحثية نظام DeCoR، وهو نظام يعمل كأنه مصمم رقصات (كوريوجراف) و"دي جي" فائق الذكاء يعملان معًا لإعادة تصميم ساحة الرقص أثناء عزف الموسيقى.
إليك كيف يعمل ذلك، مقسمًا إلى خطوات بسيطة:
1. المشكلة: فجوة "التخمين"
لدينا الآن كاميرات وأجهزة استشعار رائعة يمكنها عدّ عدد الأشخاص والسيارات بدقة ومعرفة وجهتهم، لكننا نادرًا ما نستخدم هذه البيانات لتغيير تخطيط المدينة. نحن نقيس حركة المرور، لكننا لا نعيد تصميم الشارع ليتناسب مع حركة المرور. يؤدي هذا إلى مواقف خطيرة حيث يقوم الناس بعبور الشارع من أماكن غير مخصصة لأن أقرب ممر مشاة بعيد جدًا، أو تتعثر السيارات عند الإشارات التي لا تتوافق مع التدفق الفعلي للناس.
2. الحل: "تحسين مشترك" على مرحلتين
يستخدم DeCoR نوعًا من الذكاء الاصطناعي يسمى التعلم التعزيزي (Reinforcement Learning) (فكر فيه كلاعب فيديو يتعلم من خلال التجربة والخطأ) لحل مشكلتين في آن واحد:
- المرحلة الأولى: المهندس المعماري (وكيل التصميم). ينظر هذا الذكاء الاصطناعي إلى الخريطة ويتساءل: "أين يجب أن نضع ممرات المشاة، وما مدى عرضها؟" هو لا يخمن فحًا، بل يستخدم أداة رياضية تسمى نموذج الخليط الغاوسي (Gaussian Mixture Model). تخيل هذا كـ "خريطة حرارية" تتعلم المسارات الأكثر شعبية التي يرغب الناس في اتخاذها (مسارات رغبتهم)، وتقترح وضع ممرات المشاة تمامًا حيث يريد الحشد الذهاب، بدلًا من وضعها حيث تملي قواعد الكتاب.
- المرحلة الثانية: المايسترو (وكيل التحكم). بمجرد أن يقترح المهندس المعماري تخطيطًا جديدًا، يتولى المايسترو المهمة. يتحكم هذا الذكاء الاصطناعي في إشارات المرور. وبدلاً من المؤقت الثابت، فإنه يراقب الحشد في الوقت الفعلي ويغير الإشارات فورًا للسماح للمشاة والسيارات بالمرور بأقل قدر من الانتظار.
3. ساحة التدريب: التوأم الرقمي
قبل تجربة DeCoR على شارع حقيقي، اختبر الفريق النظام على امتداد 750 مترًا في حرم جامعي بالولايات المتحدة. قاموا بتغذية النظام ببيانات حقيقية من:
- كاميرات الفيديو لعدّ السيارات.
- سجلات Wi-Fi (من الهواتف المجهولة) لعدّ المشاة.
قاموا بتشغيل آلاف عمليات المحاكاة في عالم رقمي (باستخدام أداة تسمى SUMO) حيث جرب الذكاء الاصطناعي تخطيطات مختلفة لممرات المشاة وتوقيتات الإشارات. وفي كل مرة كان فيها الذكاء الاصطناعي يقوم بحركة تقلل وقت الانتظار لكل من الناس والسيارات، كان يحصل على "مكافأة". وفي كل مرة يتسبب فيها في تأخير، كان يحصل على "عقوبة".
4. النتائج: أذكى، أسرع، وأكثر أمانًا
كانت النتائج فعالة بشكل مثير للإعجاب:
- ممرات مشاة أقل، نتائج أفضل: كان الشارع في الواقع يحتوي على 7 ممرات مشاة. اقترح DeCoR إزالة بعضها والإبقاء على 4 فقط، ولكن في أماكن أكثر ذكاءً.
- المشي أصبح أسرع: نظرًا لأن ممرات المشاة وُضعت تمامًا حيث يفضل الناس المشي طبيعيًا، وصل المشاة إلى أقرب نقطة عبور لهم بسرعة أكبر بنسبة 23%. لم يضطروا للمشي بعيدًا عن مسارهم الأصلي.
- الانتظار انخفض بشكل هائل:
- المشاة: انتظروا وقتًا أقل بنسبة 79% عند الإشارات مقارنة بنظام المؤقت الثابت القديم. في الواقع، انتظروا تقريبًا بقدر ما كانوا سينتظرونه عند عبور غير محكوم (حيث تعبر ببساطة)، ولكن مع ميزة الأمان التي توفرها الإشارة.
- السيارات: انتظروا وقتًا أقل بنسبة 65%. فقد تكيفت الإشارات بحيث لم تتوقف السيارات دون داعٍ.
- "القوة الخارقة" للتحسين المشترك: اختبرت الورقة البحثية ما يحدث إذا تم تغيير تخطيط الشارع بعد تدريب النظام.
- إذا قمت بتدريب "الدي جي" (التحكم) على مخطط أرضية ثابت، ثم أضفت فجأة ممر مشاة جديد، فسيصاب "الدي جي" بالارتباك وتحدث ازدحامات مرورية.
- ولكن لأن "دي جي" الخاص بـ DeCoR تعلم بينما كان مخطط الأرضية يتغير، فقد أصبح مرنًا للغاية. حتى عندما أضاف الفريق ممر مشاة جديدًا لم يره الذكاء الاصطناعي من قبل، حافظ النظام على تدفق حركة المرور بسلاسة، مما قلل أوقات الانتظار بنسبة 97% مقارنة بالنظام الذي يتم تدريبه بالطريقة التقليدية.
الخلاصة
يثبت DeCoR أنه إذا استمعت إلى البيانات (استشعار أين يذهب الناس والسيارات بالفعل) وجعلت التصميم (أين توجد ممرات المشاة) والتحكم (إشارات المرور) يتحدثان مع بعضهما البعض، يمكنك جعل المدن أكثر أمانًا وسرعة للجميع. إنه يحول النظام الجامد القائم على القواعد إلى كائن حي مرن يتكيف مع الحشد.
ملاحظة: تركز الورقة البحثية حصريًا على تحسين وقت السفر وتقليل التأخير في محاكاة تعتمد على بيانات من العالم الحقيقي. وهي لا تدعي أنها قضت على الحوادث أو الوفيات في العالم الحقيقي بعد، كما لا تدعي أنها تعمل على جميع أنواع شوارع المدن عالميًا، بل تركز على الممر المحدد الذي اختبرته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.