DeepTraffic:MIT模拟游戏利用深度学习来缓解交通拥堵

被堵在路上是个又丧又费钱的事儿，除了让人头疼还可能导致错过约炮，交通堵塞使美国司机每年多花3000亿。

研究人员认为即使是少数的自动驾驶车也将会大大改善交通流。 Lex Fridman和他在MIT的团队创造了一个游戏，来加速实现这个设想。

Deep Traffic模拟典型的高速公路环境，其玩家使用深度学习来控制自己的汽车。该模拟使初学者对复杂的技术概念易于上手，而游戏化推动了专家开发全新的技术。

使用神经网络的交通模拟游戏

想象你在洛杉矶一个繁忙的高速公路上开车。您必须决定跟车距离，何时更换车道，以及如何在导航时避免撞到其他车辆。这就是所谓的路径规划。 有了Deep Traffic，任何人都可以设计和训练一个深度神经网络。

在上月于硅谷举行的GPU技术大会上，Fridman谈到了游戏如何依赖强化学习。在强化学习这种方法里，当神经网络采取所需动作就会得到奖励，由此方法实现人工智能。通过反复重复这些奖励，网络学会了该如何做。

在这个游戏中，神经网络控制着一条沿着繁忙的高速公路行驶的红色汽车，目标是尽可能快地航行。初学者在浏览器中使用JavaScript来操纵参数并改变他们的驾驶行为。高玩通过OpenAI Gym进入DeepTraffic，并使用Python来训练网络。

竞速：DeepTraffic玩家使用深度学习技术，在路上快速行进

DeepTraffic最初是为Fridman在MIT教授的课程而设计。当课程内容和游戏甫一向公众开放，便受到广泛欢迎。凭借迄今已有的超过12,000份数据，DeepTraffic极具竞争力。用户以他们自己的网络所能达到的最快速度，在排行榜上交锋。

游戏因竞争而有趣，但真实世界的风险要高得多。自动驾驶车辆必须规划出从一个点到另一个点的安全路径。AI要求被给与一个艰难的驾驶任务。诸如DeepTraffic之类的教育工具有助于培养下一代AI开发人员以及改变汽车生态系统的平面解决方案。

DeepTraffic在线调试地址