DeepTraffic：如何讓MIT的遊戲利用深度學習來減少交通阻塞

大家都對交通阻塞深惡痛絕。除了讓人頭疼和錯過約會之外，交通擁堵讓美國的司機每年多花3000億美元。

研究人員建議大家使用自動駕駛汽車，即使數量佔比並不大，但也能大大改善交通擁堵情況。 Lex Fridman和他的MIT團隊開發了一款模擬遊戲來加速實現這個未來。

DeepTraffic模擬的是典型的公路環境，玩家使用深度學習技術來控制自己的汽車。這款模擬遊戲讓初學者也能接觸並使用複雜的技術概念，同時也推動專家們去開發全新的技術。

採用神經網路的交通遊戲

假設你在洛杉磯一條擁擠的高速公路上開車。你必須確定好你與前車之間的距離、何時變道，以及如何避免撞到其他車輛。這就是所謂的路徑規劃。有了DeepTraffic，任何人都可以設計和訓練一個深度神經網路來實現上面這些功能。

上個月在矽谷舉行的GPU技術大會（GTC）上，Fridman講述了這款建立在強化學習之上的遊戲的設計原理。它通過對神經網路完成指定動作進行獎勵來實現AI。通過反反覆復的訓練和獎勵，神經網路最終學會如何運行。

在這個遊戲中，神經網路控制一輛紅色的汽車在一條擁擠的高速公路上行駛，它的目標是儘可能快地通過公路。初學者可以在瀏覽器中使用JavaScript來控制參數並改變汽車的行駛。而高級玩家可以使用OpenAI Gym訪問DeepTraffic，並可通過OpenAI Gym提供的任意Python介面對網路進行訓練。

極速賽車手：DeepTraffic玩家使用深度學習來快速行駛。

DeepTraffic最初是Fridman在MIT為了給學生上課而開發的。當課程內容和這款遊戲向公眾開放時，受到了大家的熱烈歡迎，迄今為止已經有12000人次提交了他們的模型。在遊戲排行榜上記錄了車速最快，同時也是神經網路速度最快的選手的名單。

遊戲的樂趣來自於玩家之間的競爭，而現實世界的獎金要高得多。自動駕駛車輛必須要為到達目的地規劃一條安全的路徑，這個過程相當的複雜，必須要用到AI。而像DeepTraffic這樣的教育工具既有助於培養AI開發人員，也能讓改變汽車生態系統的解決方案湧現出來。

你可以在這裡找到Fridman在GTC上的完整的演講（包括PDF和MP4 https://yq.aliyun.com/articles/124832）。通過這個演講，你還能了解到路徑規劃的層次結構、強化學習的優缺點，以及有關DeepTraffic網路訓練的技術細節。

相關鏈接

• MIT用於自主駕駛車輛的深度學習課程

• DeepTraffic遊戲

• Fridman在GTC上演講的PDF和MP4

• GTC上有關車輛的會議資料

作者：Danny Shapiro

Danny Shapiro是NVIDIA汽車高級總監，專註於設計汽車解決方案，擁有普林斯頓大學的電氣工程和計算機科學學士學位，以及加州大學伯克利分校哈斯商學院的工商管理碩士學位。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！