相信当下的每一个人，都经历过堵车的不愉快。除了迟到，耽误约会这些日常小事之外，堵车还会给美国驾车者们造成一笔巨大的损失 — 每年达到大约 3000 亿美元。
研究人员指出，即使是少量的自动驾驶汽车上路行驶，也将显著改善车流情况。麻省理工的 Lex Fridman 及其团队开发了一个游戏来加速实现这一愿景。
DeepTraffic 游戏模拟常见的公路环境，游戏者使用深度学习来控制自己的车辆。模拟可让初学者接触复杂的技术概念，而游戏化可推动专业人员开发全新的技术。
想象一下，您在洛杉矶繁忙的高速公路上开车。您必须决定与前车的距离、何时变更车道并且随时注意避免出现小事故，这一过程被称之为路线规划。利用 DeepTraffic，任何人都可以设计并训练深度神经网络来进行这样的操作。
在5月于硅谷举行的 GPU 技术大会上，Fridman 在一场研讨会中谈论了此游戏对于增强学习的依赖。这是一种实现人工智能的方法，在该方法中，执行预期操作的神经网络会获得奖励，通过不断重复这些奖励，神经网络将学会如何执行这些任务。
在此游戏中，神经网络会控制一辆红色的汽车行驶在繁忙的高速公路上，目标是尽可能快地进行交通导航。初学者可以在浏览器中使用 javascript 来控制参数和改变汽车的驾驶行为。更高级的游戏者可以通过 OpenAI Gym 访问 DeepTraffic，并使用任何 Python 接口训练网络。
极速赛车：DeepTraffic 游戏者使用深度学习在车流中快速穿行
DeepTraffic 最初是为 Fridman 在麻省理工教授的课程而开发。当课程内容和游戏向公众开放后，这一款游戏大受欢迎。DeepTraffic 游戏者之间的竞争非常激烈，迄今已提交 12,000 多次结果。排名居前的用户会登上排行榜，同时还会列出其网络实现的最快速度。
此游戏的竞赛性增强了趣味程度，但现实世界的风险却要高得多。自动驾驶汽车必须规划从一点到另一点的安全路线，只有运用人工智能才能解决驾驶任务的复杂性。像 DeepTraffic 这样的教学工具有助于培训新一代的人工智能开发者，并催生出将转变汽车生态系统的解决方案。
感兴趣的你可以复制以下链接，观看 Fridman 在 GTC 上的完整演讲，以详细了解路线规划的层次、增强学习的利弊和训练 DeepTraffic 所用网络的相关技术细节。
https://blogs.nvidia.com/blog/2017/07/07/deeptraffic-how-an-mit-simulation-game-uses-deep-learning-to-reduce-gridlock/
