RL (học tăng cường – reinforcement learning) đang giúp tối ưu hóa giao thông đô thị. Ngoài ra, các thuật toán RL phức tạp được sử dụng để giải quyết các bài toán này. Đồng thời, nền mới Intersection Zoo được MIT phát triển để hỗ trợ nghiên cứu. Nhờ đó, công cụ này đánh giá tiến độ và khả năng tổng quát của các mô hình RL và giúp kiểm tra hiệu quả RL trong môi trường vận tải thực tế.
Ứng dụng RL với eco-driving để giảm phát thải
Trong các thành phố lớn, việc dừng và đi liên tục tại ngã tư tạo ra lãng phí nhiên liệu và tăng phát thải khí nhà kính. Vì vậy, eco-driving – lái xe tiết kiệm năng lượng – có thể tích hợp vào phương pháp tự hành để giảm tiêu hao nhiên liệu. Nguyên tắc đơn giản là giảm tốc độ khi tiếp cận đèn đỏ hoặc giao lộ để hạn chế năng lượng bị lãng phí. Song song đó, tác động của xe tự hành này còn ảnh hưởng đến các xe phía sau.
Đánh giá hiệu quả của eco-driving rất phức tạp vì cần dữ liệu từ nhiều nguồn.
Các nguồn gồm bản đồ giao lộ, độ cao đường (US Geological Survey), nhiệt độ, độ ẩm, loại xe, nhiên liệu sử dụng và nhiều yếu tố khác. Chính vì vậy, đây là bài toán tối ưu hóa nhiều tác nhân mà thử nghiệm trực tiếp trên đường là khó khả thi.
Cathy Wu, giáo sư tại MIT, cho biết nhóm của bà đã tạo ra IntersectionZoo, bộ chuẩn với hơn 1 triệu kịch bản giao thông dựa trên eco-driving. Công cụ này giúp đánh giá khả năng tổng quát hóa của các thuật toán deep reinforcement learning – DRL.
Trước đây, các thuật toán RL thường chỉ hiệu quả trong một tình huống cụ thể.
Ngược lại, chúng thất bại khi điều kiện thay đổi, ví dụ như thêm làn xe đạp hoặc thay đổi thời gian đèn giao thông.
IntersectionZoo và sự phát triển thuật toán RL tổng quát
Điểm nổi bật của IntersectionZoo là cung cấp môi trường đa dạng để kiểm tra thuật toán DRL. Hơn nữa, hệ thống không chỉ phục vụ giao thông mà còn áp dụng vào phương tiện tự hành, robot, kho vận, trò chơi điện tử và các bài toán điều khiển cổ điển. Cùng lúc, nền tảng này mã nguồn mở và có sẵn tài liệu hướng dẫn trên GitHub. Từ đó, hỗ trợ các nhà nghiên cứu phát triển thuật toán tổng quát, sẵn sàng cho nhiều ứng dụng khác nhau.
Nhờ phần mềm, tiến độ phát triển mô hình RL có thể được đánh giá chính xác hơn. Vì vậy, các hệ thống giao thông tự hành được cải thiện cũng như giảm thiểu tác động môi trường. Mục tiêu không chỉ là triển khai eco-driving trên diện rộng mà hướng tới phát triển giải pháp RL tổng quát, có thể ứng dụng rộng rãi.
Tham khảo: https://news.mit.edu/2025/new-tool-evaluate-progress-reinforcement-learning-0505
