Forskare på UC Berkeley utvecklar ett trafikledningssystem baserat på maskinlärning för att automatiserade, semi-automatiserade och manuellt framförda fordon effektivt ska kunna dela på vägrummet. Flow, som det nya systemet kallas, ska kunna hantera stora trafikmängder mer effektivt än ett traditionellt ledningssystem utan stöd av AI [1] [2].

I Flow kan automatiserade fordon använda data från närliggande fordon och infrastruktur för att skapa ett bättre trafikflöde, och på så sätt kan dessa fordon bli trafikledare. De kan exempelvis undvika flaskhalsar genom att tidigt känna igen mönster som kan skapa problem och automatiskt anpassa hastigheten så att dessa undviks. Vissa forskare hävdar att endast 4-5% av fordonen behöver ha denna funktionalitet för att få en positiv effekt.

Systemet är moln-baserat och open source för att förenkla vidareutveckling från andra forskare och utvecklare.

Egen kommentar

På RISE gjorde vi ett projekt för ett tag sedan där vi simulerade ”cooperative speed harmonization” för att öka flödet på E6 mellan Olskroksmotet och Gullbergsvass i norrgående färdriktning där det ofta bildas köer. Resultaten visar också att redan med 5% av uppkopplade fordon som använder funktionen så ökade flödet genom Tingstadstunneln [3].

Källor

[1] Turning Autonomous Cars into Traffic Managers, Machine Design. Länk

[2] Flow på github. Länk

[3] Englund, Cristofer, Lei Chen, and Alexey Voronov. ”Cooperative speed harmonization for efficient road utilization.” 2014 7th International Workshop on Communication Technologies for Vehicles (Nets4Cars-Fall). IEEE, 2014. Länk