자율주행 자동차가 가득한 도로

자율주행 자동차를 교통관리자로 전환한다면.

UC버클리 연구진은 자율형, 준자율형, 유인형 차량이 보다 효율적으로 도로를 공유할 수 있도록 머신러닝을 활용해 교통을 관리하는 도구를 개발하고 있다. Flow라고 불리는 이 도구의 첫 번째 리뉴얼은 샌프란시스코-오클랜드 베이 브리지의 병목 현상을 완화하는 것을 포함한 실제 교통 문제를 해결하기 위해 고안되었다. 많은 트래픽 연구자들은 제어장치를 설계하기 위해 수동으로 파생된 알고리즘에 기반한 모델을 사용하지만, 기계 학습에 기반한 제어장치는 보다 구체적이고 경우에 따라서는 인간 계산에 미치지 못하는 새로운 트래픽 관리 솔루션과 같은 예측 불가능한 이익을 제공할 것으로 생각된다. UC버클리 교통연구소의 알렉산드르 바이엔 소장은 "플로우는 인공지능의 도움 없이 생산될 수 있는 것보다 훨씬 더 효율적인 시뮬레이션을 통해 대규모 다차 문제를 해결한다"고 말한다. "그리고 우리는 클라우드 기반의 오픈 소스 시스템을 사용하여 개발 커뮤니티가 지속적으로 구축할 수 있다." Flow 기술의 긍정적 가설은 자동화된 자동차가 교통을 관리하기 위해 근처의 스마트 차량과 기반 시설의 데이터를 사용하여 이동 교통 관리자가 될 것이라는 것이다. 예를 들어 병목 현상을 방지하기 위해 자동화된 자동차는 속도와 위치를 사용하여 합병할 때 주변 차량을 제어할 수 있다. 아니면, 그것은 그것의 속도를 빠르게 하여, 여행 시간을 늘리고 운전자들을 좌절시키는, 무작위적이고, 인간이 초래하는 감속을 방지하는데 도움을 줄 수 있을 것이다. 일부 연구자들은 만약 제대로 프로그램되고 네트워크로 연결된다면 도로에 있는 차량의 4 내지 5%만이 제공할 수 있는 엄청난 이점이 있다고 믿는다. 흐름은 기계학습의 한 측면인 심층강화 학습을 활용하는데, 이는 기계학습의 한 측면으로서, 기계학습이 해결하는 각각의 문제로부터 학습하여 그 의사결정을 지속적으로 개선한 후, 그 반복을 통해 그 해결책들을 진전시킨다. 로봇공학, 게임이론 등 많은 어플리케이션이 딥러닝 학습을 활용하지만, 교통 시뮬레이션 도구와 결합한 것은 이번이 처음이다. 이 도구는 병목 현상과 교차로 제어와 같은 일반적인 유형의 트래픽 난제를 해결하기 위해 엔지니어가 사용할 수 있는 매우 상세한 시나리오 또는 표준 작업에 사용된다. 이 솔루션은 벤치마크라고 불리는 공유 기준선이 되며, 진전을 이루는 데 매우 중요하다고 연구자들은 말한다. "교통계에서는 이러한 벤치마크를 사용하여 비교하고 경쟁할 수 있으며, 가장 중요한 것은 결과를 재현할 수 있습니다,"라고 밴더빌트 대학교수 다니엘 워크는 말한다. "또한 벤치마크는 개발자들이 그들만의 정교한 모델을 만들 필요가 없도록 함으로써 진보를 가속화한다. 따라서 엔지니어는 램프 내 병합과 같은 동일한 작업을 반복적으로 재생하는 것을 중지할 수 있다. 대신 그 과제에 대한 해법을 찾는 데 주력할 수 있다고 말했다. 표준화된 벤치마크는 이미 자연어 처리와 로봇공학 등 다른 심층 강화 학습 애플리케이션에 존재한다. 그러나 교통 관리를 위해 연구자들은 그러한 기준을 찾을 수 없었기 때문에 그것을 만들기 위해 착수했다. Bayen's Labor의 초기 논문들은 Flow를 교통 시뮬레이션 플랫폼으로 제시한 후, 링 위에서 주행하는 자동차 같은 간단한 시나리오를 사용하여 초기 벤치마크를 설정했다. 한 과제는 15개 유료도로가 5개 차로로 합쳐지는 전형적인 병목 현상인 샌프란시스코-오클랜드 베이 브리지의 컴퓨터 모델을 특징으로 하고 있으며, 얼마나 많은 차량이 다리에서 흘러나오는지 극대화하는 것이 목표다. 과제에 대한 세부사항으로는 각 차선의 교통량과 차량 위치, 속도 등이 포함돼 있어 누구나 해결책을 내놓을 수 있다. 해결책을 비교하는 기준도 있다. 이 연구의 다른 벤치마크로는 램프 내 병합과 맨해튼 교통 신호등 그리드의 모델이 있다. 연구원들은 점점 더 복잡해지는 시나리오들을 다룰 계획이며, 그들은 외부 협력자들도 그렇게 하기를 희망한다. 목표는 이 시스템이 도시 전체의 교통량을 관리하는 것인데, 사람들이 운전하는 다양한 방식을 통합하고, 도로 상에서 작지만 증가하는 스마트 차량의 이점을 포착하는 것이다. 연구자들은 또한 이러한 기술적 접근방식의 잠재적인 단점과 의도하지 않은 결과를 연구할 계획이다. 예를 들어, 교통 평활이 너무 잘 되면, 개선된 이동 시간은 더 많은 운전자들을 도로로 유인하여 단기적인 이득뿐만 아니라 온실 가스 배출과 에너지 소비 감소라는 더 큰 목표를 훼손할 수 있다. 바이엔은 "혼합자율 교통의 기회와 함정을 모두 이해하는 것은 멀지 않은 미래에 자율 차량의 점진적이고 불가피한 결합을 위한 점진적인 단계"라고 말한다. "우리는 이 미래가 어떻게 보일지 시뮬레이션하고 그것을 개선하기 위한 전략에 착수해야 한다."고도 했다. 사람들은 흔히 자율주행 자동차가 도로에 혼란을 야기할 것이라는 부정적인 전망을 하곤 한다. 하지만 상상해보라. 대부분의 차가 자율주행 차가 되는 시대를. 자들은 서로의 정보를 공유하면서 간격을 자율적으로 조절하고 각자 낼 수 있는 최적의 속도를 낼 것이다. 사고 발생 비율은 당연히 줄어들게 될 것이다. 오히려 직접 운전하는 차량이 자율주행 차량이 가득한 길에서 방해요소가 될 것이라는 게 대부분 전문가의 의견이다. 인간이 방해요소로 취급될 수도 있다는 말이다. 당신이라면 어떻게 하겠는가? 손을 놓고 최적의 경로만을 안내받을 것인가, 아니면 인공지등들이 가득한 도로에 뛰어들 것인가?