据外媒报道，宾夕法尼亚大学嵌入式计算与集成系统工程研究（PRECISE）中心的团队展开突破性研究工作，有望改变城市交通管理，对可持续城市生活和减缓气候变化产生影响。这项研究由电气与系统工程系（ESE）博士生Nandan Tumu领导，其导师是计算机与信息科学系（CIS）和ESE系教授兼PRECISE中心创始成员Rahul Mangharam。
（图片来源：arxiv.org）
当今机器学习方法的一个主要障碍是样本复杂性，即学习算法需要多少数据才能达到适当的性能水平。数据越多，所需的能量就越多，对环境的影响就越大。
为了解决这个问题，Tumu探索更为有效的方法，并发现基于物理知识和受约束的学习可以大幅减少大量采样需求。通过将这种方法与共形预测（一种无分布不确定度量化方法）相结合，Tumu找到了一种有效可靠地控制复杂系统的方法。
这种基于物理知识和受约束的学习与共形预测的创新结合，有望释放更大型多代理系统的潜力，例如无人机机队或无人驾驶汽车车队，以及电网和风电场等基础设施。
利用可区分预测控制来改变城市交通
优化交通系统一直是Tumu研究中的一个鼓舞人心的应用。2023年，他作为暑期实习生加入了太平洋西北国家实验室（PNNL）的一个团队，以开发用于交通系统控制的机器学习方法。
在arXiv预印本服务器上发表的论文《对大规模城市道路网络进行可区分预测控制（Differentiable Predictive Control for Large-Scale Urban Road Networks）》中，Tumu及其合作者探讨了当今时代面临的最紧迫问题之一，即交通拥堵及其对二氧化碳排放的影响。由于交通运输是全球排放的主要驱动因素，优化交通网络对于减少能耗和缓解气候变化十分重要。
Tumu的创新方法利用可区分预测控制（DPC，由PNNL开发的一种基于物理知识的机器学习方法）来推进交通管理。大多数现有交通管制系统都依赖于某种风格的模型预测控制（MPC），通常将道路网络分解为区域，然后预测和优化每个区域的交通流。
MPC扩展性较差且需要大量时间来解决交通流问题。相比之下，Tumu发现DPC可以快速准确地解决这些问题，为交通管理提供更为稳健的解决方案。事实上，与现有最先进模型预测控制（MPC）方法的实证比较证明了Tumu方法的优越性。
该论文报告，DPC可将计算时间缩短四个数量级，并将交通性能提高37%。此外，控制器对场景变化的稳健性，确保了其对不断变化的交通模式的适应性。这项工作不仅提出了更有效的交通管制方法，而且旨在减少排放并缓解大型城市的交通网络拥堵情况。
对现实世界的影响和未来方向
作为AutonomIA项目的一部分，PNNL将与佛罗里达州科勒尔盖布尔斯市（Coral Gables）合作，以评估Tumu研究的实际意义。其目标是在现实环境中实施这些先进的交通控制算法（即管理交通信号灯和信号的策略），以大幅减少出行时间和能源消耗。
目前取得的结果令人鼓舞：该项目估计，车辆延误将大幅减少，从而有助于降低总体能耗和减少CO2排放。研究数据科学家、Tumu在PNNL的导师之一Ján Drgoňa表示：“对于应对气候变化来说，这种优化现有交通控制基础设施的创新方法是关键一步。”
Tumu的研究不仅仅局限于城市交通。在与PNNL的合作过程中，他正在应用和推进DPC方法以提高现有风力发电场的效率。Tumu表示：“这一扩展符合我为网络信息物理系统开发控制算法以提高效率和性能的总体研究愿景。通过结合物理基信息和不确定性量化，我的目标是创建利用现实世界数据的改进控制算法。”
可持续的未来愿景
Mangharam表示：“Nandan Tumu的研究体现了在数学上严谨且可扩展的方法，以克服关键的气候挑战和复杂的社会挑战。通过结合基于物理的机器学习与先进的控制方法，他正在开创解决方案，有望使提高城市环境的效率，使能源系统更加可持续。”
