开创高效的交通管制和可持续能源解决方案

Josiah02

在宾夕法尼亚大学嵌入式计算和集成系统工程研究中心 (PRECISE) 熙熙攘攘的走廊里，开创性的研究正在展开。
这项工作由电气与系统工程 (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，该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具有重要意义。
源于好奇心和创新的旅程
Tumu 的学术生涯始于康涅狄格大学，他主修计算机 科学，辅修哲学。这种独特的结合为他的研究奠定了坚实的基础，将技术专长与对不确定性和知识的深刻细致的理解融为一体。
他对量化不确定性和用物理学指导机器学习的迷恋源于他早期使用强化学习开发机器人控制算法的努力。
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正确的性能水平。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 探索了更有效的方法，并发现基于物理的约束学习可以显著减少大量采样的需要
通过将这种方法与共形预测（一种无分布不确定性量化方法）相结合，Tumu 找到了一种有效可靠地控制复杂系统的方法。
这种物理信息和约束学习与共形预测的创新结合已成为他研究的驱动力，有望释放更大型多智能体系统的潜力，例如无人机或无人驾驶汽车车队，或电网和风电场等基础设施。
利用可微分预测控制改变城市交通
优化交通系统一直是 Tumu 研究的一个激励应用。2023 年，他以暑期实习生的身份加入了太平洋西北国家实验室 (PNNL) 的一个团队，负责开发交通系统控制的机器学习方法。
Tumu 和他的同事在arXiv预印本服务器上发表的论文《大规模城市道路网络的可微分预测控制》中探讨了我们这个时代最紧迫的问题之一：交通拥堵及其对二氧化碳排放的贡献。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源消耗和缓解气候变化至关重要。
Tumu 的新方法利用可微分预测控制 (DPC)，这是 PNNL 开发的一种基于物理的机器学习方法，可改善交通管理。大多数现有交通控制系统都依赖于某种模型预测控制 (MPC)，它通常将道路网络划分为区域，然后预测和优化每个区域的交通流量。
与扩展性较差且需要大量时间解决交通流问题的 MPC 相比，Tumu 发现 DPC 可以准确、快速地解决这些问题，为交通管理提供更为稳健的解决方案。
事实上，与现有的最先进的模型预测控制 (MPC) 方法的实证比较证明了 Tumu 方法的优越性。
据论文所述，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鲁棒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控制方法，还旨在减少排放并缓解大型城市网络的拥堵。
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合作，评估 Tumu 研究的实际意义。目标是在现实环境中实施这些先进的交通控制算法（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。
迄今为止的结果令人鼓舞：该项目预计车辆延误将大幅减少，有助于降低总体能源消耗并减少二氧化碳排放量。
“这种优化现有交通控制基础设施的创新方法是应对气候变化的关键一步，”研究数据科学家、PNNL Tumu 的导师之一 Ján Drgoňa 说。
Tumu 的研究范围不仅限于城市交通。他与 PNNL 合作，应用和改进 DPC 方法，以提高现有风力发电场的效率。“这一扩展符合我的总体研究愿景，即开发联网信息物理系统的控制算法，以提高效率和性能，”Tumu 说道。
“通过结合基于物理的信息和不确定性量化，我的目标是创建利用真实世界数据的改进的控制算法。”
可持续未来的愿景
Mangharam 说：“Nandan Tumu 的研究体现了数学上严谨且可扩展的方法，以应对关键的气候和复杂的社会挑战。”
“通过将物理信息机器学习与先进的控制方法相结合，他开创了有望使我们的城市环境更加高效、能源系统更加可持续的解决方案。”
PRECISE 中心主任 Insup Lee、CIS 教授 Cecilia Fitler Moore 补充道：“他的工作证明了跨学科研究的力量及其推动世界发生有意义的变化的潜力。”
“随着 Nandan 不断突破可能的界限，他的贡献必将对学术界和社会产生持久影响。”