基于机器学习的智能路口决策仿真系统
计算机学院（国家示范性软件学院）
随着城市不断地发展，城市人口飞速增加，人民对交通出行的需求也日益增大。汽车的使用率逐渐提升，加之汽车的低空间利用率，导致许多城市早期设计容量不足的道路无法负荷较大的车流量，同时，城市的道路交汇处过多，交通灯信号设计不科学，暂时阻断车流行进，在车流量过大时反而会产生回堵的现象。不同类型车流的行车时速、车流流向的不同又导致了车流在交叉路口汇集时会产生严重的拥堵现象，尤其是在交通的早晚高峰时段，交通拥堵降低了道路的通行能力，增加了城市居民的早晚高峰通勤时间。
介于上述情况，本项目着手解决在车流量较大的情况下十字交汇路口的行车策略，在常拥堵的交汇路口处进行改造，利用单个车辆的无人驾驶技术或辅助驾驶技术与整个智能路口系统的信息实时传输，将间断离散流的交通方式改造为连续流的交通方式，使用AI算法，实现车辆在十字路口的“无信号灯，无冲突点”的快速通行。理想状态下能很大程度上缓解城市交汇路口带来的拥堵问题。
本项目可以大致分为两个部分，一是模拟道路和车辆的建模软件，现计划使用Unity来进行模拟。二是对车辆进行控制的决策部分，我们查阅资料后决定使用Unity的插件ML-Agents进行实现，该插件可以简单通过Python的API进行控制，进而使模型连接到Tensorflow搭建的神经网络上。
采用2D或者3D建模的方式，模拟出一个路口和进入路口的每一辆车的各项情况，包括路口的结构（目前打算先从双向单车道的十字路口切入，后续可能会增加路口复杂度做进一步的实验，比如双车道三车道）、车的大小、形状、质量、路线、速度以及后期会考虑车辆的优先级。为了简化问题和初期工作的顺利进行，我们先规定车辆在十字路口内按照固定的线路行驶，这样就有一部分车流不会出现相撞的情况而且神经网络只用控制车辆的速率（或切向加速度），大大减小了计算难度。
在决策部分需要控制的即是每一辆进入路口的车的速率（或切向加速度），在确保不发生碰撞的情况下，找到让所有车辆有序快速通过的最优解。本项目的核心思路就是让神经网络的输出控制车辆，使用强化学习来训练AI，最终得到可以根据路口车辆情况自动控制的实验程序，同时进行不同超参数的调整和损失函数的设计来测试比较效果。在后期会考虑让车辆路线不再固定，神经网络同时也控制车辆的转向，来模拟更真实的路况。此时可以考虑车辆优先级（救护车、警车），以及存在行人时的避让。
本项目预期成果为智能交通路口的仿真建模系统，其中包含十字路口建模程序以及训练出的智能算法。
