हममें से ज़्यादातर लोग ट्रैफ़िक सिग्नल पर तब तक इंतज़ार करना पसंद नहीं करते जब तक कि लाइट ग्रीन न हो जाए और हम आगे न बढ़ जाएँ। कई बार, हम सिग्नल को बायपास करने की कोशिश करते हैं और इस प्रक्रिया में फंस जाते हैं, जिसके बाद हमें भारी जुर्माना भरना पड़ता है। कई बार, इससे दुर्घटनाएँ भी हो सकती हैं। यह सच है कि सिग्नल पर इंतज़ार करना बहुत थका देने वाला होता है और इससे हमें ईंधन और समय की बरबादी होती है, साथ ही पर्यावरण को भी नुकसान पहुँचता है। मोटर चालक और नीति नियोजक इस उपद्रव को खत्म करने के लिए एक व्यावहारिक विकल्प चाहते हैं, भले ही वह छोटा ही क्यों न हो। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी (MIT) के शोधकर्ताओं को लगता है कि उन्होंने एक ऐसा विकल्प खोज निकाला है।
टीम ने यह सुनिश्चित करने के तरीके खोजने की कोशिश की कि मोटर चालकों को सिग्नल के रंग बदलने के लिए ट्रैफ़िक चौराहे पर इंतज़ार न करना पड़े। इसके बजाय, क्या होगा अगर वे सिग्नल पर ठीक उस समय पहुँचें जब वह हरा हो। हालाँकि यह मानव चालकों के लिए हासिल करना मुश्किल है, लेकिन कृत्रिम बुद्धिमत्ता का उपयोग करने वाले एक स्वायत्त वाहन द्वारा इसे निरंतरता के साथ किया जा सकता है।
एआई का उपयोग करके, वाहन की गति को इस तरह से समायोजित किया जा सकता है कि वह अगले सिग्नल पर समय पर पहुंच जाए और रंग के हरे होने का इंतजार न करना पड़े।
अपने अध्ययन में उन्होंने बताया कि, प्रकाशित प्री-प्रिंट सर्वर पर arXivशोधकर्ताओं ने एक मशीन लर्निंग दृष्टिकोण का प्रदर्शन किया है जो स्व-चालित वाहनों के बेड़े को इस तरह से नियंत्रित करना सीख सकता है जिससे यातायात का प्रवाह सुचारू बना रहे। स्नातक छात्र विंदुला जयवर्धना के नेतृत्व में शोधकर्ताओं की टीम का कहना है कि उनका दृष्टिकोण ईंधन की खपत और उत्सर्जन को कम करता है जबकि औसत वाहन गति में सुधार करता है।
वरिष्ठ लेखिका कैथी वू ने कहा, “यह हस्तक्षेप करने के लिए वास्तव में एक दिलचस्प जगह है। किसी का जीवन इसलिए बेहतर नहीं है क्योंकि वे एक चौराहे पर फंस गए थे।” उद्धरित जैसा कह रहे हैं.
लेकिन एक और जटिलता है। शोधकर्ता चाहते हैं कि सिस्टम ऐसी तकनीक सीखे जो ईंधन बचाए और साथ ही यात्रा का समय भी कम करे। ये उद्देश्य असंगत हो सकते हैं। वू कहते हैं कि हालांकि वे चाहते हैं कि यात्रा का समय बचाने के लिए ऑटोमोबाइल तेज़ चले, लेकिन वे चाहते हैं कि उत्सर्जन कम करने के लिए यह धीमा हो जाए या बिल्कुल न चले। ये प्रतिस्पर्धी परिदृश्य सीखने वाले एजेंट के लिए बेहद उलझन भरे हो सकते हैं।
परिणामस्वरूप, शोधकर्ताओं ने रिवॉर्ड शेपिंग नामक एक समाधान तैयार किया। उन्होंने रिवॉर्ड शेपिंग का उपयोग करके सिस्टम डोमेन को वह जानकारी प्रदान की जो वह स्वयं नहीं सीख सकता था। उन्होंने इस परिदृश्य में सिस्टम को दंडित किया जब भी वाहन पूरी तरह से रुक गया, ताकि वह भविष्य में ऐसा करने से बचना सीख सके।
उन्होंने एक बार इसे बनाने के बाद एक एकल चौराहे के साथ ट्रैफ़िक सिमुलेशन प्लेटफ़ॉर्म का उपयोग करके अपने नियंत्रण एल्गोरिदम का परीक्षण किया। जैसे ही ऑटोमोबाइल चौराहे के पास पहुंचे, उनके सिस्टम ने किसी भी स्टॉप-एंड-गो ट्रैफ़िक का कारण नहीं बनाया। जब कारों को आगे रुके हुए ट्रैफ़िक के कारण पूरी तरह से रुकने के लिए मजबूर किया जाता है, तो इसे स्टॉप-एंड-गो ट्रैफ़िक के रूप में जाना जाता है।
सिमुलेशन में एक ही ग्रीन चरण से ज़्यादा कारें गुज़रीं, जो मानव चालकों का अनुकरण करने वाले मॉडल से बेहतर प्रदर्शन था। स्टॉप-एंड-गो ट्रैफ़िक से बचने के उद्देश्य से पिछली अनुकूलन रणनीतियों की तुलना में, उनके दृष्टिकोण के परिणामस्वरूप अधिक ईंधन बचत और कम उत्सर्जन हुआ।
उनका कहना है कि अगर सड़क पर चलने वाले सभी वाहन स्वचालित हों और अपने सिस्टम से जुड़े हों, तो वे ईंधन की खपत में 18 प्रतिशत और CO2 उत्सर्जन में 25 प्रतिशत की कमी ला सकते हैं, जबकि यात्रा की गति में 20 प्रतिशत की वृद्धि कर सकते हैं। भले ही केवल दो प्रतिशत वाहन स्वचालित हों, वे कुल ईंधन और उत्सर्जन में कमी के कम से कम 50 प्रतिशत लाभ प्रदान कर सकते हैं।