Active Inference for Adaptive Traffic Signal Control in Noisy Nonstationary IoT Environments
यह शोध पत्र शोर वाले, गैर-स्थिर (नॉन-स्टेशनरी) IoT वातावरण में आइडल टाइम और CO2 उत्सर्जन को कम करने के लिए अपेक्षित मुक्त ऊर्जा (एक्सपेक्टेड फ्री एनर्जी) को न्यूनतम करके, नियम-आधारित ह्यूरिस्टिक्स और डीप रिइन्फोर्समेंट लर्निंग दोनों से बेहतर प्रदर्शन करने वाले अनुकूलन योग्य यातायात सिग्नल प्रबंधन के लिए एक ट्रैसेबल एक्टिव इन्फरेंस कंट्रोलर का प्रस्ताव करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि एक व्यस्त शहर का चौराहा एक विशाल, अराजक रसोईघर है जहाँ कारें सामग्रियाँ (ingredients) हैं, ट्रैफिक लाइट शेफ (रसोइये) हैं, और लक्ष्य सभी को यथाशीघ्र खिलाना (गतिमान करना) है बिना भोजन जलाए (प्रदूषण या दुर्घटनाओं के बिना)।
यह शोध पत्र "एक्टिव इन्फरेंस" (AIF) नामक एक नए प्रकार के "स्मार्ट शेफ" को पेश करता है। यह कैसे काम करता है, इसका परीक्षण कैसे किया गया, और इसने क्या पाया, इसे सरल भाषा में समझाया गया है।
समस्या: रसोई धुंधली और अराजक है
वास्तविक दुनिया में, ट्रैफिक सेंसर (जैसे कैमरे या रडार) पूर्ण नहीं होते हैं। वे बड़े ट्रकों द्वारा बाधित हो सकते हैं, भारी बारिश से भ्रमित हो सकते हैं, या कारों को पूरी तरह से मिस कर सकते हैं। यह एक ऐसे शेफ की तरह है जो धुंधले चश्मे पहनकर खाना बनाने की कोशिश कर रहा है और ऐसे ग्राहकों के साथ काम कर रहा है जो बार-बार अपने ऑर्डर बदल रहे हैं।
- पुराने नियम: पारंपरिक ट्रैफिक लाइट एक सख्त रेसिपी का पालन करती हैं (जैसे, "30 सेकंड के लिए हरा, फिर लाल")। जब रसोई पागल हो जाती है, तो वे अनुकूलित (adapt) नहीं हो सकतीं।
- "ब्लैक बॉक्स" लर्नर: नए AI सिस्टम (जिन्हें डीप रीइन्फोर्समेंट लर्निंग या DQN कहा जाता है) एक सहायक शेफ की तरह हैं जिसने उसी रसोई में हजारों बार खाना बनाने का अभ्यास किया है। यदि उनके पास अभ्यास है, तो वे बेहतरीन खाना बनाते हैं। लेकिन यदि धुंध अधिक गहरी हो जाए या कोई ग्राहक अचानक कुछ अजीब ऑर्डर कर दे, तो वे भ्रमित हो सकते हैं। साथ ही, कोई यह नहीं जानता कि उन्होंने एक विशिष्ट विकल्प क्यों चुना; वे बस उसे करते हैं।
समाधान: "जिज्ञासु शेफ" (एक्टिव इन्फरेंस)
लेखक एक्टिव इन्फरेंस पर आधारित एक नया शेफ प्रस्तावित करते हैं। केवल एक रेसिपी को याद करने या पिछले अभ्यास के आधार पर अनुमान लगाने के बजाय, यह शेफ एक विशेष मानसिक मॉडल का उपयोग करता है और लगातार दो प्रश्न पूछता है:
- "मैं क्या देखना चाहता हूँ?" (प्रैग्मैटिक वैल्यू): "मैं ट्रैफिक लाइनों को छोटा होते हुए और हवा को साफ होते हुए देखना चाहता हूँ।"
- "मुझे क्या सीखने की आवश्यकता है?" (एपिस्टेमिक वैल्यू): "धुंध के कारण मुझे समझ नहीं आ रहा है कि क्या हो रहा है। मुझे सड़क के दूसरी ओर बेहतर दृश्य पाने के लिए लाइट बदल देनी चाहिए।"
यह शेफ "एक्सपेक्टेड फ्री एनर्जी" नामक एक अवधारणा को कम करने का प्रयास करता है। इसे "कन्फ्यूजन स्कोर" (भ्रम का स्कोर) के रूप में सोचें। शेफ ऐसे विकल्प चुनना चाहता है जो उनके भ्रम को कम करें और उन्हें उनके लक्ष्य (सुचारू यातायात) के करीब ले जाएं।
सबसे अच्छी बात: "ब्लैक बॉक्स" AI के विपरीत, यह शेफ एक डायरी रखता है। आप उसकी डायरी देख सकते हैं और समझ सकते हैं कि उसने लाइट क्यों बदली: "मैंने लाइट बदली क्योंकि मुझे चिंता थी कि मैं उत्तर दिशा की ओर कारों को ठीक से नहीं देख पा रहा था, इसलिए मैंने देखने के लिए लाइट बदली।"
प्रयोग: सिमुलेशन किचन
शोधकर्ताओं ने एक डिजिटल ट्रैफिक सिमुलेशन (एक आभासी रसोई) बनाया जिसमें एक चार-तरफा चौराहा था। उन्होंने तीन शेफों का परीक्षण किया:
- नियम का पालन करने वाला (The Rule-Follower): एक निश्चित कार्यक्रम का पालन करता है।
- प्रशिक्षित AI (DQN): सिमुलेशन में घंटों अभ्यास करके सीखा।
- जिज्ञासु शेफ (AIF): वर्णित "कन्फ्यूजन स्कोर" पद्धति का उपयोग करता है।
उन्होंने सिमुलेशन को चार कठिनाई स्तरों के माध्यम से चलाया:
- स्तर 1: साफ मौसम, सामान्य ट्रैफिक।
- स्तर 2: सेंसर बड़े ट्रकों द्वारा बाधित होते हैं (ओक्लूजन/Occlusion)।
- स्तर 3: भारी बारिश शुरू हो जाती है (मौसम)।
- स्तर 4: एक कार दुर्घटनाग्रस्त हो जाती है, रास्ता रोक देती है, जबकि बारिश हो रही है और सेंसर भी बाधित हैं (एक "परफेक्ट स्टॉर्म")।
परिणाम: किसने सबसे अच्छा खाना बनाया?
1. शांत स्थितियों में (स्तर 1 और 3):
प्रशिक्षित AI (DQN) कारों को चलाने में थोड़ा तेज़ था। उसने इस विशिष्ट परिदृश्य के लिए अभ्यास किया था और उसे रेसिपी याद थी। जिज्ञासु शेफ (AIF) लगभग उतना ही अच्छा था, लेकिन सबसे तेज़ नहीं।
2. "परफेक्ट स्टॉर्म" में (स्तर 4):
यहीं पर जिज्ञासु शेफ (AIF) बड़ी जीत हासिल करता है।
- खाली समय (Idle Time): जिज्ञासु शेफ ने कुल 56,977 सेकंड कारों को इंतजार कराया। प्रशिक्षित AI ने उन्हें 71,741 सेकंड इंतजार कराया। यह एक बहुत बड़ा अंतर है।
- प्रदूषण: जिज्ञासु शेफ ने कम CO2 उत्सर्जन किया।
- क्यों? जब सेंसर गड़बड़ हो गए और एक दुर्घटना हुई, तो प्रशिक्षित AI भ्रमित हो गया क्योंकि उसने ठीक उस संयोजन का अभ्यास नहीं किया था। जिज्ञाщу शेफ, हालांकि, अनिश्चितता को संभालने के लिए डिज़ाइन किया गया था। उसने महसूस किया, "मुझे नहीं पता कि क्या हो रहा है, इसलिए मुझे अधिक जानकारी एकत्र करने और अनुकूलित होने की आवश्यकता है," जिसने ट्रैफिक को बेहतर ढंग से चलता रहने दिया।
3. ट्रेड-ऑफ (समझौते):
जिज्ञासु शेफ पूर्ण नहीं था।
- बस प्राथमिकता: यह बसों को जल्दी जाने देने के मामले में दूसरों की तुलना में थोड़ा खराब था। क्योंकि इसने समग्र भ्रम को कम करने के लिए कुल कारों पर ध्यान केंद्रित किया, इसलिए इसने कभी-कभी विपरीत दिशा में प्रतीक्षा कर रही एक अकेली बस को अनदेखा कर दिया।
- लाइट बदलना: इसने लाइटों को अधिक बार बदला। जबकि इससे इसे जानकारी एकत्र करने में मदद मिली, यह स्थिर "नियम-अनुयायी" की तुलना में थोड़ा "जिटरिंग" (अस्थिर) लग सकता है।
मुख्य निष्कर्ष
यह शोध पत्र दिखाता है कि जबकि "अभ्यास किया हुआ" AI अनुमानित स्थितियों के लिए महान है, एक जिज्ञासु शेफ जो अनिश्चितता को समझने की सक्रिय कोशिश करता है, वह तब बहुत बेहतर होता है जब चीजें गलत होती हैं (जैसे खराब मौसम या दुर्घटनाएं)।
जिज्ञासु शेफ की सबसे बड़ी जीत पारदर्शिता है। यदि कोई ट्रैफिक मैनेजर पूछता है, "आपने लाइट लाल क्यों की?" तो जिज्ञासु शेफ अपने तर्क को चरण-दर-चरण समझा सकता है। प्रशिक्षित AI बस कहता है, "क्योंकि मेरे दिमाग ने मुझे ऐसा करने को कहा," जो चीजों के बिगड़ने पर भरोसा करना कठिन बना देता है।
संक्षेप में: जब ट्रैफिक की दुनिया शांत होती है, तो एक प्रशिक्षित विशेषज्ञ जीतता है। जब दुनिया अस्त-व्यस्त और अप्रत्याशित होती है, तो एक जिज्ञासु, आत्म-जागरूक प्रणाली जीतती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।