Los vehículos autónomos, también conocidos como robóticos, imitan las capacidades humanas de conducción: perciben el medio que les rodea mediante técnicas complejas como láser, radar, lidar (dispositivo que permite determinar la distancia desde un emisor láser a un objeto utilizando un haz láser pulsado), sistema de posicionamiento global y visión computarizada. De esta forma consiguen desenvolverse en un entorno de tráfico rodado.
Aunque estos vehículos apenas empiezan a configurarse como una opción viable, un nuevo estudio basado en simulaciones informáticas ha comprobado que, controlados inteligentemente, los vehículos robóticos pueden regular el tráfico e impedir los atascos.
En algunos puntos críticos de la red de carreteras, es inevitable que a determinadas horas se produzcan atascos de tráfico, debido principalmente a la concentración de vehículos: en esas circunstancias, por lo general los conductores viajan demasiado rápido, a muy poca distancia y, por lo tanto, frenan más de lo necesario.
Sin embargo, si en esos picos de tráfico se introduce un cupo de vehículos robóticos, se pueden evitar los atascos, incluso si la proporción de vehículos que conducen por sí mismos es inferior al diez por ciento.
En este estudio, realizado por investigadores liderados por Eugene Vinitsky de la Universidad de California en Berkeley, los científicos crearon simulaciones informáticas de tráfico y probaron cómo los vehículos autónomos, controlados inteligentemente, podían regular el tráfico a través de su estilo de conducción.
Inteligencia Artificial
Lo consiguieron recurriendo al así llamado Aprendizaje por refuerzo, un área de la Inteligencia Artificial inspirada en la psicología conductista: determina qué acciones debe escoger un agente de software en un entorno dado con el fin de maximizar un resultado pretendido.
Gracias a esta herramienta, un ordenador central aprendió qué velocidad de crucero tenía que asignar a todos los vehículos autónomos en un área para que el tráfico en su conjunto fuera más ligero. Los investigadores le proporcionaron información sobre la posición y la velocidad de todos los usuarios simulados de la carretera.
Los resultados muestran que los automóviles autónomos tienen un gran potencial para hacer que el tránsito sea más eficiente. Por ejemplo, el flujo de tráfico en los atascos simulados de la autopista se duplicó cuando el diez por ciento de los automóviles que pasaban estaban controlados por ordenador.
Cuando simularon restricciones de tráfico, que se ocasionan generalmente cuando se cierra un carril debido a obras o a un accidente, el rendimiento aumentó un 20 por ciento sólo cuidando mantener la distancia adecuada con los otros vehículos.
En los accesos a las autopistas, introducir un 10% de vehículos autónomos duplica el ritmo de acceso. En otras simulaciones, los investigadores otorgaron a un algoritmo el control de los semáforos y el flujo del tráfico mejoró un 7 por ciento.
Aunque estos vehículos apenas empiezan a configurarse como una opción viable, un nuevo estudio basado en simulaciones informáticas ha comprobado que, controlados inteligentemente, los vehículos robóticos pueden regular el tráfico e impedir los atascos.
En algunos puntos críticos de la red de carreteras, es inevitable que a determinadas horas se produzcan atascos de tráfico, debido principalmente a la concentración de vehículos: en esas circunstancias, por lo general los conductores viajan demasiado rápido, a muy poca distancia y, por lo tanto, frenan más de lo necesario.
Sin embargo, si en esos picos de tráfico se introduce un cupo de vehículos robóticos, se pueden evitar los atascos, incluso si la proporción de vehículos que conducen por sí mismos es inferior al diez por ciento.
En este estudio, realizado por investigadores liderados por Eugene Vinitsky de la Universidad de California en Berkeley, los científicos crearon simulaciones informáticas de tráfico y probaron cómo los vehículos autónomos, controlados inteligentemente, podían regular el tráfico a través de su estilo de conducción.
Inteligencia Artificial
Lo consiguieron recurriendo al así llamado Aprendizaje por refuerzo, un área de la Inteligencia Artificial inspirada en la psicología conductista: determina qué acciones debe escoger un agente de software en un entorno dado con el fin de maximizar un resultado pretendido.
Gracias a esta herramienta, un ordenador central aprendió qué velocidad de crucero tenía que asignar a todos los vehículos autónomos en un área para que el tráfico en su conjunto fuera más ligero. Los investigadores le proporcionaron información sobre la posición y la velocidad de todos los usuarios simulados de la carretera.
Los resultados muestran que los automóviles autónomos tienen un gran potencial para hacer que el tránsito sea más eficiente. Por ejemplo, el flujo de tráfico en los atascos simulados de la autopista se duplicó cuando el diez por ciento de los automóviles que pasaban estaban controlados por ordenador.
Cuando simularon restricciones de tráfico, que se ocasionan generalmente cuando se cierra un carril debido a obras o a un accidente, el rendimiento aumentó un 20 por ciento sólo cuidando mantener la distancia adecuada con los otros vehículos.
En los accesos a las autopistas, introducir un 10% de vehículos autónomos duplica el ritmo de acceso. En otras simulaciones, los investigadores otorgaron a un algoritmo el control de los semáforos y el flujo del tráfico mejoró un 7 por ciento.
IA y sentido común
Los algoritmos probados dejan mucho espacio para mejorar, dice Vinitsky, citado en un artículo de la revista Science. "Si alguien tiene una solución o algoritmo brillante, puede usar este marco para probar [nuevas ideas]", añade Meng Wang, otro de los investigadores: han dado acceso gratuito a los algoritmos generados durante su trabajo para dar a cualquier persona interesada la oportunidad de proponer mejoras a su sistema.
Vinitsky no puede predecir cuándo los vehículos autónomos nos ayudarán de verdad a mejorar el tráfico, pero señala que, conociendo los patrones de aceleración y frenado que reducen el tráfico, es posible desde hoy ahorrar tiempo, gasolina y posiblemente, vidas, aplicando solo en sentido común.
Se refiere a una realidad constatada en su investigación: compararon el movimiento de automóviles en la carretera con el flujo de partículas en un río. Si todas las partículas van a la misma velocidad, el flujo siempre será constante. Sin embargo, si la velocidad de algunas partículas disminuye considerablemente, ralentizará a todos los que están detrás.
Estos cambios de velocidad ocurren todo el tiempo en el tráfico rodado, especialmente durante las horas punta. Acelerar y frenar en repetidas ocasiones provoca una reacción en cadena: cuanto mayor es el número de vehículos en los que se refleja esta combinación de movimientos, mayor es la desaceleración, hasta la parada completa de los vehículos en largas colas. Algo que se puede evitar con vehículos autónomos o, desde ya, con el sentido común.
Los algoritmos probados dejan mucho espacio para mejorar, dice Vinitsky, citado en un artículo de la revista Science. "Si alguien tiene una solución o algoritmo brillante, puede usar este marco para probar [nuevas ideas]", añade Meng Wang, otro de los investigadores: han dado acceso gratuito a los algoritmos generados durante su trabajo para dar a cualquier persona interesada la oportunidad de proponer mejoras a su sistema.
Vinitsky no puede predecir cuándo los vehículos autónomos nos ayudarán de verdad a mejorar el tráfico, pero señala que, conociendo los patrones de aceleración y frenado que reducen el tráfico, es posible desde hoy ahorrar tiempo, gasolina y posiblemente, vidas, aplicando solo en sentido común.
Se refiere a una realidad constatada en su investigación: compararon el movimiento de automóviles en la carretera con el flujo de partículas en un río. Si todas las partículas van a la misma velocidad, el flujo siempre será constante. Sin embargo, si la velocidad de algunas partículas disminuye considerablemente, ralentizará a todos los que están detrás.
Estos cambios de velocidad ocurren todo el tiempo en el tráfico rodado, especialmente durante las horas punta. Acelerar y frenar en repetidas ocasiones provoca una reacción en cadena: cuanto mayor es el número de vehículos en los que se refleja esta combinación de movimientos, mayor es la desaceleración, hasta la parada completa de los vehículos en largas colas. Algo que se puede evitar con vehículos autónomos o, desde ya, con el sentido común.
Referencia
Benchmarks for reinforcement learning in mixed-autonomy traffic. Eugene Vinitsky et al. Proceedings of Machine Learning Research, Volume 87.
Benchmarks for reinforcement learning in mixed-autonomy traffic. Eugene Vinitsky et al. Proceedings of Machine Learning Research, Volume 87.