十字路口的交通灯由简单的计算机管理，以避免车辆发生碰撞。然而，对城市交通时间的研究表明，十字路口造成的延误占日常出行的12-55%，如果这些系统更高效，就可以避免不必要的等待时间，从而减少拥堵。
（图片来源：https://techxplore.com/）
据外媒报道，德克萨斯农工大学（Texas A&M University）计算机科学与工程系教授Guni Sharon博士领导的研究团队开发了一套自主学习系统，可利用机器学习更好地协调车辆快速通过十字路口。
目前的许多交通信号灯都装有信号控制器，充当十字路口的“大脑”。这些控制器设定了不同的时间，可让交通显示器根据时间和交通运动变换颜色。这使得信号能处理全天的交通波动，以减少交通堵塞。最新研究表明，基于心理学中“强化学习”概念的学习算法可用于优化控制器信号。该算法能使控制器做出一系列决策，并学习哪些行为可以改进操作，从而减少交通延误。
但Sharon指出，这些优化后的控制器在现实世界中并不实用，因为控制其处理数据方式的基础操作采用的是深度神经网络（DNN）。DNN是一种机器学习算法，通常用于训练和归纳控制器的行动策略，这是一种决策（控制）函数，可根据当前的情况决定下一步应该采取什么行动。尽管DNN非常强大，但在制定决策时却不可预测和不一致。对交通工程师而言，试图理解DNN为何采取某些行动是一个繁琐的过程，这反过来又使他们难以管理和理解不同的策略。
为了克服这一问题，Sharon及其团队开发并验证了一种方法，可以实时训练DNN，同时将DNN通过观察现实世界所学到的知识，转移到能被工程师理解和管理的控制功能中。通过模拟真实路口，研究团队发现，该方法在优化其控制器方面特别有效，与常用的信号控制器相比，可使车辆延误减少19.4%。
尽管此种方法很有效，但研究人员观察到，当他们训练控制器时，控制器花费了约两天的时间才明白什么行动真正有助于缓解各个方向的交通拥堵。Sharon表示，“未来，我们将通过观察当前部署的控制器的操作来研发技术，以加速控制器的学习过程，同时保证基本性能并从中学习。”