Как победить пробки благодаря адаптации

  •  17 /
Spread the love

Ученый-компьютерщик Карлос Гершенсон обнаружил, что для того, чтобы обуздать городское движение, позволить транспортным системам адаптироваться и самоорганизоваться часто лучше, чем попытки их прогнозировать и контролировать.

Мехико славится своими музеями, едой и культурой, а также пробками. Население города составляет около 22 миллионов человек, и в нем более 6 миллионов автомобилей, и для многих людей ежедневная двухчасовая поездка в школу или на работу является правилом. Возможно, из-за того, что задержки являются обычным делом, часто социально приемлемо опаздывать на занятия или собрания на 10–15 минут.

То, как люди путешествуют по мексиканской столице, — сложная проблема, которую нельзя свести к одной или двум переменным, и она символизирует проблемы городской мобильности, с которыми сталкивается половина населения мира. Это также проблема, которую в течение последних двух десятилетий любил Карлос Гершенсон, ученый-компьютерщик из Национального автономного университета Мексики, который связан как с его Институтом исследований в области прикладной математики и систем, так и с его Центром наук о сложности. .

Гершенсон считает, что для решения сложной проблемы ученым необходимо отказаться от традиционных методов и найти новые способы изучения постоянно меняющихся проблем. «Наука и инженерия исходили из того, что мир предсказуем, и что нам просто нужно найти правильные законы природы, чтобы иметь возможность предвидеть будущее», — писал он, будучи приглашенным профессором Массачусетского технологического института и Северо-Восточного университета. в 2016 году. «Но изучение сложных систем показало, что это предположение ошибочно».

Используя компьютерное моделирование, которое специализируется на адаптации, а не на прогнозировании, Гершенсон использует самоорганизацию как инструмент для улучшения городской мобильности. Хотя большинство решений транспортной системы, которые он предлагал различным городам, столкнулись с политическими и бюрократическими препятствиями, его идеи были успешно реализованы в системе метро Мехико в 2016 году. Просто четко обозначив, где люди должны ждать, чтобы позволить пассажирам выйти, прежде чем сесть в поезд. Пилотный проект устранил почти все конфликты и давление в процессе посадки и сократил время, затрачиваемое на посадку, на целых 15%.

Светофор говорит машинам, что делать. Но благодаря датчикам автомобили тоже говорят светофору, что делать.

«Работа Карлоса значительно продвинула наше понимание самоорганизованных транспортных потоков и их последствий для управления и оптимизации в реальном мире», — сказал Янир Бар-Ям, приглашенный профессор Массачусетского технологического института и президент Новой Англии. Институт сложных систем, который руководил докторской стипендией с Гершенсоном в 2007-2008 годах. Он добавил, что Гершенсон «переосмыслил вопросы, а это самое важное влияние, которое можно оказать».

Сложность привлекала Гершенсона еще со студенческих курсов по компьютерной инженерии в конце 1990-х годов в Фонде Артуро Розенблота, где он заинтересовался искусственным интеллектом. Позже, во время учебы в магистратуре по эволюционным и адаптивным системам в Университете Сассекса, он более глубоко погрузился в философию и когнитивные науки. Но, работая над докторской степенью в Свободном университете в Брюсселе, «я как бы разочаровался в когнитивной науке, потому что, в конце концов, она очень субъективна», — сказал он. Он переориентировался на самоорганизующиеся системы.

Хотя Гершенсон изучает саморегулирующиеся светофоры и системы метро, он с энтузиазмом относится к велосипедам как к более эффективному и менее загрязняющему транспортному средству для городских поездок. Он также широко известен в социальных сетях и ведет колонку в национальной газете Reforma, где, среди прочего, анализирует науку, научную политику и политику.

Куанта поговорил с Гершенсоном в его доме в Мехико во время видеозвонка в конце августа, чтобы узнать больше о том, как самоорганизация может улучшить городскую мобильность. Интервью было сокращено и отредактировано для ясности.

Вы не можете предсказать, где будет автомобиль на две минуты впереди», - сказал Гершенсон, потому что точное положение автомобиля зависит не только от его собственной скорости движения, но и от поведения всех других транспортных средств и пешеходов в схеме движения

Вы не можете предсказать, где будет автомобиль на две минуты впереди», — сказал Гершенсон, потому что точное положение автомобиля зависит не только от его собственной скорости движения, но и от поведения всех других транспортных средств и пешеходов в схеме движения

Как вы впервые попали в сферу самоорганизующихся сложных систем и городской мобильности?

Когда я был студентом, меня интересовало движение по шоссе: я запрограммировал симуляцию со светофором и без него, а также с автономными автомобилями. Если вы можете предсказать, когда автомобили будут пересекать перекрестки, то вы сможете предотвратить их столкновение, даже если они никогда не останавливаются; вы просто как бы уменьшаете их скорость. В моем симуляторе они почти никогда не ломались, и, конечно, это было намного эффективнее. Так что я уже играл с такими идеями.

Я также знал о проекте, который был разработан в 1990-х годах в Беркли со взводом автомобилей, в котором участвовал Луис Агустин Альварес-Икаса, известный мексиканский инженер. Он работал над этим проектом создания автоматизированных взводов, чтобы машины могли следовать друг за другом со скоростью 55 миль в час, от бампера к бамперу, как способ увеличить пропускную способность шоссе. И, как он нам сказал, они сделали это, и это сработало, и это было хорошо, но они не смогли запустить это из-за страховых компаний. Забавно, что более 20 лет спустя с автономными автомобилями возникает та же проблема. Опять же страховые компании наложили на них ограничения.

При первом применении моего докторского проекта по самоорганизующимся системам я подумал: «Давайте попробуем собрать взводы машин, как птицы». Стая птиц — своего рода канонический пример самоорганизации. Я реализовал различные стратегии управления в симуляции, и одной из них была самоорганизация: это было похоже на взвод, в котором все они пытаются двигаться с той же скоростью, что и их соседи.

Из-за своего инженерного образования Гершенсон всегда любил применять концепции исследования сложности как способ тестирования и расширения их. «Я всегда переходил от теории к практике и обратно»

Из-за своего инженерного образования Гершенсон всегда любил применять концепции исследования сложности как способ тестирования и расширения их. «Я всегда переходил от теории к практике и обратно»

И это была серьезная неудача, потому что некоторые автомобили ускорялись, но затем замедлялись, и вы получали неприятные колебания. Он не работал, и я никогда не публиковал его как рецензируемую статью.

Самой эффективной стратегией была эгоистичная стратегия, когда все старались действовать как можно быстрее.

В самом деле? Что обычно происходит сегодня?

Собственно, мой первый доктор философии. студент Луис Энрике Кортес Берруэко пошел дальше в этом направлении. Он занимается теорией игр и моделированием дорожного движения, чтобы изучить влияние эгоистичных водителей на совместные. Оказывается, если на дорогах мало машин, эгоистичные водители приводят к более эффективному движению. Но это только при низкой плотности, и это просто оценка эффективности. Это также более опасно.

Если у вас средняя плотность, то когда один водитель подрезает другого, это замедляет всех, кто находится позади них. Так что это менее эффективно. А если плотность слишком высока, их эгоизм не имеет значения, потому что они все равно не могут менять полосу движения.

Как вы думаете, почему изучение городской мобильности поможет нам понять самоорганизующиеся системы?

Это идеальный способ реализовать или опробовать теорию. Поскольку я изучал инженерию и философию, мне нравится разрабатывать концепции, а затем использовать их для решения проблем или построения систем.

Сложность определяется взаимодействиями, а в городской мобильности взаимодействия имеют большое значение.

Когда вы создаете системы, оказывается, что в ваших концепциях начинают проявляться некоторые дыры. Вы столкнулись с проблемами, которых не предвидели. Это заставляет вас улучшить свое понимание, пересмотреть свою концептуальную систему. Ответы всегда приносят новые вызовы. Но как только вы решите эти проблемы, вы сможете вернуться и внести более обоснованный концептуальный вклад .

Я всегда переходил от теории к практике и обратно.

Что делает городскую мобильность сложной системой?

Мы можем легко смоделировать траекторию отдельного транспортного средства, потому что оно имеет равномерное движение и ускорение. Это базовая математика средней школы. Конечно, есть еще детали, такие как трение, ветер и так далее. Но вы можете игнорировать это.

Проблема в том, что в реальном мире точное положение автомобиля в определенный момент времени в будущем зависит не только от его ускорения, скорости и т. Д., Но и от того, есть ли на дороге другие автомобили, пешеходы или велосипедисты. Если другие машины едут медленнее или быстрее, места будет больше или меньше, в зависимости от того, опасно все едут или нет. Есть сильные взаимозависимости. Вы не можете предсказать, где будет машина на две минуты впереди, потому что это зависит от того, будут ли машины впереди нее вовремя реагировать на светофор, отвлекаться ли они, есть ли автобус, останавливаться ли они там, где не следует, есть ли кто-то чистка лобовых стекол и все затягивание.

Сложность определяется взаимодействиями, а в городской мобильности взаимодействия имеют большое значение. И это даже без учета человеческого фактора для водителя, например, если я отвлекся, или в сонливости, или под наркотиками, или злой.

Если вы попытаетесь решить проблему упрощенно, не глядя на взаимодействия, ваши решения будут довольно ограниченными. В области городской мобильности есть высказывание [историка технологий Льюиса Мамфорда]: «Добавление полос на шоссе, чтобы справиться с заторами, — все равно что ослабить пояс для лечения ожирения». Это решение, которое не касается проблемы спроса на перевозки и того, как вы его удовлетворите.

Видео: Карлос Гершенсон объясняет, как принципы адаптации и самоорганизации могут помочь транспортным системам преодолевать пробки и другие проблемы городской мобильности.

Насколько сложно разработать модель или симуляцию, отражающую высокую степень сложности? Переменных должно быть бесконечное количество. Как вы расставляете приоритеты, что включать?

Это зависит от того, для чего вам нужна ваша модель. Если вы хотите, чтобы ваша модель делала прогнозы, то да, вам нужно включить много деталей. Допустим, мы хотим смоделировать движение в Мехико. Затем нам нужно, сколько машин следуют по каким траекториям в какой час дня. Каковы их средние ускорения двигателей, идет ли дождь и так далее — на транспортный поток будет влиять множество факторов, и вы хотите добавить как можно больше деталей.

Но если вы хотите, чтобы ваша модель использовалась только для понимания системы, а не для ее прогнозирования, то во многих случаях может оказаться полезным очень абстрактное моделирование. Мои первые симуляции были немного сложными, потому что они пытались быть реалистичными. Позже я начал делать более простые и абстрактные симуляции — автомобили имели бесконечное ускорение, и была симметрия в пространствах между транспортными средствами, чего в реальности не бывает. Но даже в этом случае эти симуляции позволили нам обнаружить, что в городском движении происходит от шести до десяти фазовых переходов : вы можете увидеть, как скорость или поток имеют резкие переходы по мере увеличения плотности. Вы не сможете этого увидеть, если у вас более сложная модель.

Вы провели симуляции в разных городах. Что особенного в Мехико, что делает его интересным для изучения?

Ну, во-первых, мы здесь живем. [Смеется]. По разным показателям у него худшая мобильность в мире. Кроме того, у нас более тесный контакт с властями, поэтому мы можем попытаться повлиять на улучшения или принимаемые решения. Когда я был в Брюсселе во время моей докторской диссертации., мы связались с тамошним министром транспорта и… допустим, столкнулись с политической проблемой.

Расскажите мне об этом проекте, который вы реализовали со светофорами в Мехико для ускорения поездок на работу и сокращения выбросов.

Системы светофоров обычно рассчитаны и запрограммированы таким образом, чтобы быть эффективными, но тогда точное количество автомобилей, остановленных каждым светофором, постоянно меняется. Даже если вы основываете это на измерении трафика, которое в среднем составляет около 13 автомобилей в минуту, в одну минуту их будет 20, в другую — ноль, а в другую — шесть.

Координация всех этих запрограммированных светофоров для обеспечения движения транспортных средств является проблемой. Он становится все более и более требовательным к вычислениям, поскольку вам нужно координировать больше перекрестков, и он изменяется по мере добавления и вычитания автомобилей. Предсказать невозможно.

И вы хотите оптимизировать поток трафика.

Да, но поскольку оптимизация требует больших вычислений, вам необходимо использовать адаптацию.

Самоорганизующиеся светофоры оснащены датчиками, которые позволяют им реагировать на входящий трафик, изменяя время сигналов. Они не пытаются предсказать; они постоянно приспосабливаются к меняющемуся транспортному потоку. Но если вы можете приспособиться к точному запросу, холостого хода не будет. Машины ждут только потому, что проезжают другие машины.

Светофор говорит машинам, что делать. Но благодаря датчикам автомобили тоже говорят светофору, что делать. Есть такая обратная связь, которая способствует формированию взводов, потому что легче координировать 10 взводов из 10 машин, чем 100 машин, каждая со своей траекторией.

При моделировании Гершенсон обнаружил, что самоорганизующиеся светофоры могут сократить время в пути на 25%, а также неэффективные выбросы от автомобилей, простаивающих на красный свет.

При моделировании Гершенсон обнаружил, что самоорганизующиеся светофоры могут сократить время в пути на 25%, а также неэффективные выбросы от автомобилей, простаивающих на красный свет.

И это спонтанно способствует появлению «зеленых волн», то есть взводов автомобилей, которые проезжают перекресток за перекрестком, не останавливаясь. Вы не программируете в систему «будет зеленая волна, и она будет замедляться с этой скоростью». Вид трафика вызывает сами зеленые волны. И все это самоорганизовано, потому что нет прямой связи между светофорами на разных перекрестках.

Это не столь очевидный способ управления системами, потому что в теории управления мы хотим быть уверены в том, что произойдет. И в этом случае вы не сообщаете системе, какое решение будет. Но вы проектируете взаимодействия так, чтобы система постоянно находила желаемые решения. Это то, что вы хотите сделать, потому что не знаете, в чем будет проблема.

Насколько хорошо это работает?

В ходе моделирования мы обнаружили, что, реализовав самоорганизующиеся светофоры, вы можете сократить время в пути на 25%. А поскольку на красный свет стоит гораздо меньше автомобилей, резко сокращаются и выбросы. Если вы попытаетесь оценить сокращение выбросов для такого большого города, как Мехико, это будет эквивалентно замене автомобилей, например, на 10 линий Metrobús за небольшую часть стоимости одной линии.

Но если вы хотите, чтобы ваша модель использовалась только для понимания системы, а не для ее прогнозирования, то во многих случаях может оказаться полезным очень абстрактное моделирование.

Но, конечно, это симуляция. Мы не можем точно знать, сработает ли это с общественным транспортом, мексиканскими водителями и так далее. Эффективность движения также может быть контрпродуктивной, потому что внезапно движение транспорта улучшится, и это может побудить больше людей водить машину. И, конечно, если у вас на улице больше машин, это может означать даже больше выбросов, чем вы экономили.

Итак, мы хотим попробовать это в небольшом масштабе в качестве теста. Но прошло уже около 15 лет, и мы не смогли этого сделать по разным причинам. Мы пробовали в Брюсселе, мы пробовали в Нью-Йорке, мы пробовали в Марокко, мы пробовали в Мексике.

Что не удалось во всех этих местах?

Политика.

Есть ли примеры мест, где внедряли самоорганизующиеся светофоры?

Мои коллеги Стефан Леммер и Дирк Хелбинг сделали это для Дрездена. Их метод немного отличается от нашего, но он работает. Также им потребовалось довольно много времени, чтобы пройти через это, например, пять лет. Город поддерживал это, и они финансировали это, но все же это было очень проблематично по какой-то причине.

Проблема может заключаться в том, что большинство инженеров обучаются традиционным методам, основанным на прогнозировании того, что нужно контролировать, и они пытаются улучшить эти методы. Но для сложных систем предсказание почти безнадежно. Как только вы достигнете оптимальности, проблема изменится. Решение уже устарело.

Мы показали, что при самоорганизации у вас может быть совершенно другой подход, который можно резюмировать как переход от предсказания к адаптации. Мы создали модели для регулирования систем общественного транспорта, таких как поезда, метро, ​​автобусы и т. Д., С использованием самоорганизации. Это намного эффективнее, чем большинство механизмов контроля, которые пытаются предсказать.

Например, в системе метро каждый раз, когда поезд достигает станции, на платформе будет разное количество пассажиров. Поэтому традиционные подходы гласят: «Вы должны подождать столько времени на станции». И они не позволяют поезду оставаться немного дольше, если пассажиров хочет войти больше, или оставаться меньше, если пассажиров меньше. А если расслабить эти вещи, то производительность системы значительно улучшится .

Что вас удивило в своем проекте метро Мехико?

Мы не ожидали, что люди выстроятся в очереди к поезду. Мы надеялись, что они просто оставят место людям для выхода из поездов, но не то, что они будут стоять в очереди. Это было неожиданно, но это работает. Мы достигли цели, но не понимали, почему это сработало, до тех пор, пока не сработало полностью.

Раньше правила игры были: если хочешь сесть в поезд, надо толкать. А если не толкаешься, ты не садишься в поезд, так что даже если ты не хочешь толкаться, тебе придется это делать, если хочешь сесть. Это обратная связь, которую все настаивают.

За счет изменения сигналов на платформе мы изменили правила игры. Теперь, если люди выстраиваются в очередь, чтобы сесть на поезд, у вас есть механизм, в котором неопределенность в отношении того, когда вы сядете в поезд, заменяется словами «первым в очереди садится первым». Так что толкаться больше не нужно.

Гершенсон, как и многие исследователи дорожного движения, заядлый велосипедист, отчасти потому, что езда на велосипеде может быть оптимальным способом передвижения на средние расстояния.

Гершенсон, как и многие исследователи дорожного движения, заядлый велосипедист, отчасти потому, что езда на велосипеде может быть оптимальным способом передвижения на средние расстояния.

Когда люди начали осознанно или неосознанно осознавать это, то системы наказывали тех, кто все еще настаивал. Люди говорили: «Погодите, чего вы толкаете? Больше не нужно давить!»

Какие основные выводы вы сделали, изучая сложность в различных сценариях?

Я думаю, что самая большая проблема улучшения городской мобильности — не научная, а политическая и социальная.

Если вы скажете: «Давайте улучшим городскую мобильность», все согласятся. Никто не хочет оставаться такими, какие мы есть, и страдать от загрязнения окружающей среды, экономических затрат, траты времени, стресса и прочего. То есть, все согласятся. Но как это сделать? Тогда все не согласны.

Поэтому я думаю, что самая большая проблема заключается в том, как мы можем разработать механизмы координации решений, разработанных правительством и компаниями, научными кругами и остальным обществом. Мы пытаемся задействовать разные сектора, и они развиваются так быстро, как могут. Но на это уходят годы, и ситуация ухудшается намного быстрее.

Теперь, когда началась пандемия, у нас есть некоторое видение того, как мы можем действительно снизить мобильность, когда мы вынуждены это сделать. Но мы посмотрим, извлечем ли мы урок из этого и сократим ли наши путешествия и попытаемся делать больше удаленно, или вернемся к нашим старым привычкам с огромным бременем для всех.

В наши дни мы активно продвигаем велоспорт.

Вы заядлый велосипедист. Насколько хорошо велосипедисты ездят в городе с интенсивным автомобильным движением?

Большинство людей, изучающих движение на дорогах, — велосипедисты, потому что это лучший способ путешествовать по городу. Для средних расстояний это может быть решением. Не для всех. Но вы увидите, что в городах, которые инвестировали в велосипедную инфраструктуру, это совсем другой образ жизни, и я думаю, что от этого выигрывают все, даже те, кто не ездит на велосипеде, потому что машин не так много.

Какой совет вы бы дали, когда мы вступаем в будущее с искусственным интеллектом и беспилотными автомобилями? Считаете ли вы, что бюрократия и правительства по-прежнему будут самым большим препятствием, а не фактическое развитие технологий?

Я думаю, что машины все больше и больше интегрируются с нами, но я не думаю, что они заменят нас. Они помогают нам расширять наши познавательные способности и координировать свои действия. Очень вероятно, что принятие решений будет более распределенным. Но в конце вы сталкиваетесь с проблемами ответственности, которые возвращаются к проблеме страхования: если автономный автомобиль попадает в аварию, чья это вина? Владельцы? Автопроизводителя? Разработчика?

Многие из этих систем позволяют нам делать то, что мы не могли делать. Вот почему мы им доверяем. Но все же они терпят неудачу, поэтому полностью им доверять не стоит. Вот почему у нас должно быть как можно больше устойчивости. Самоорганизация дает вам это: дает вам возможность адаптироваться, сохраняя при этом функциональность. Тогда мы будем лучше подготовлены к тому, чтобы ожидать неожиданного, которого мы можем ожидать.

По материалам https://www.quantamagazine.org/complexity-scientist-beats-traffic-jams-through-adaptation-20200928/

Метки:

Добавить комментарий