被困在路上是一件代价高昂的事情。除了引起头痛之外，它还可能导致失约。交通拥堵每年使美国司机多损失3000亿。研究人员认为，即使是少量自动驾驶汽车也能大大改善交通流量。LexFridman和他在麻省理工学院的团队创造了一款游戏来加速实现这一愿景。DeepTraffic模拟典型的高速公路环境，其玩家使用深度学习来控制他们的汽车。模拟使初学者能够理解复杂的技术概念，而游戏化则促使专家开发全新的技术。使用神经网络的交通模拟游戏假设您正在洛杉矶繁忙的高速公路上行驶。你必须决定跟随多远，何时改变车道，以及如何避免在导航时撞到其他车辆。这称为路径规划。借助DeepTraffic，任何人都可以设计和训练深度神经网络。上个月在硅谷举行的GPU技术大会上，弗里德曼谈到了游戏如何依赖强化学习。在强化学习的方法中，人工智能是通过在神经网络采取期望的动作时对其进行奖励来实现的。通过一遍又一遍地重复这些奖励，网络学会了做什么。在这个游戏中，神经网络控制一辆红色汽车在繁忙的高速公路上行驶，目标是尽可能快地行驶。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OpenAIGym接入DeepTraffic，使用Python训练网络。赛车：DeepTraffic玩家使用深度学习技术在路上快速行驶DeepTraffic最初是为Fridman在麻省理工学院教授的课程设计的。课程内容和游戏一经向公众开放，便受到广泛欢迎。迄今为止，DeepTraffic拥有超过12,000条数据，绝对具有竞争力。用户以他们自己的网络可以达到的最快速度在排行榜上竞争。游戏因竞争而有趣，但现实世界的赌注要高得多。自动驾驶汽车必须规划一条从一个点到另一个点的安全路径。AI被要求分配一项艰巨的驾驶任务。DeepTraffic等教育工具可帮助培养下一代AI开发人员和将改变汽车生态系统的平面解决方案。DeepTraffic在线调试地址DeepTraffic在线调试界面
