Tecnologia Científica

Examinando o mundo por meio de sinais e sistemas
A professora assistente Cathy Wu visa ajudar os veículos autônomos a cumprir sua promessa, entendendo melhor como integrá-los ao sistema de transporte.
Por Grace Chua - 07/02/2021


Cathy Wu argumenta que os veículos autônomos são apenas parte de um sistema de transporte complexo que pode envolver carros autônomos individuais, frotas de entrega, motoristas humanos e uma gama de soluções de última milha para levar os passageiros até sua porta - sem mencionar a infraestrutura rodoviária como rodovias, rotatórias e, sim, cruzamentos.

Há uma animação em vídeo hipnotizante no YouTube de tráfego simulado e autônomo passando por um cruzamento de seis pistas e quatro vias. Dezenas de carros fluem pelas ruas, parando, virando, diminuindo a velocidade e acelerando para evitar colisões com seus vizinhos. E nem um único carro parando. Mas e se mesmo um desses veículos não fosse autônomo? E se apenas um fosse?

Nas próximas décadas, os veículos autônomos terão um papel crescente na sociedade, seja mantendo os motoristas mais seguros, fazendo entregas, seja aumentando a acessibilidade e a mobilidade de passageiros idosos ou deficientes.

Mas a professora assistente do MIT Cathy Wu argumenta que os veículos autônomos são apenas parte de um sistema de transporte complexo que pode envolver carros autônomos, frotas de entrega, motoristas humanos e uma série de soluções de última milha para levar os passageiros até sua porta - não para mencionar a infraestrutura rodoviária como rodovias, rotatórias e, sim, cruzamentos.

O transporte hoje é responsável por cerca de um terço do consumo de energia dos EUA. As decisões que tomamos hoje sobre veículos autônomos podem ter um grande impacto sobre este número - variando de uma redução de 40 por cento no uso de energia até a duplicação do consumo de energia.

Então, como podemos entender melhor o problema de integração de veículos autônomos no sistema de transporte? Tão importante quanto, como podemos usar essa compreensão para nos guiar em direção a sistemas que funcionem melhor?

Wu, que ingressou no Laboratório de Sistemas de Informação e Decisão (LIDS) e no MIT em 2019, é o Professor Assistente Gilbert W. Winslow de Engenharia Civil e Ambiental, bem como membro do corpo docente do Instituto MIT para Dados, Sistemas e Sociedade . Tendo crescido em uma família de engenheiros elétricos na área da Filadélfia, Wu buscou um campo que a capacitasse a aproveitar suas habilidades de engenharia para resolver desafios sociais. 

Durante seus anos como estudante de graduação no MIT, ela procurou o Professor Seth Teller do Laboratório de Ciência da Computação e Inteligência Artificial para discutir seu interesse em carros autônomos.

Teller, que faleceu em 2014, respondeu às suas perguntas com conselhos calorosos, diz Wu. “Ele me disse: 'Se você tem uma ideia de qual é a sua paixão na vida, então você tem que ir atrás dela o máximo que puder. Só então você pode esperar encontrar sua verdadeira paixão. '

“Qualquer um pode dizer para você ir atrás de seus sonhos, mas ele percebeu que sonhos e ambições nem sempre são claros desde o início. É preciso muito trabalho para encontrar e perseguir sua paixão. ” 

Perseguindo essa paixão, Wu iria trabalhar com Teller, bem como no Laboratório de Robótica Distribuída da Professora Daniela Rus e, finalmente, como estudante de graduação na Universidade da Califórnia em Berkeley, onde ganhou o prêmio de melhor PhD da IEEE Intelligent Transportation Systems Society em 2019.

Na pós-graduação, Wu teve uma epifania: ela percebeu que para os veículos autônomos cumprirem sua promessa de menos acidentes, economia de tempo, emissões mais baixas e maior acessibilidade socioeconômica e física, essas metas devem ser explicitamente projetadas, seja como infraestrutura física, algoritmos usados ​​por veículos e sensores ou decisões políticas deliberadas.

No LIDS, Wu usa um tipo de aprendizado de máquina chamado aprendizado por reforço para estudar como os sistemas de tráfego se comportam e como os veículos autônomos nesses sistemas devem se comportar para obter os melhores resultados possíveis.

Aprendizagem por reforço, que foi mais conhecida por AlphaGo, o programa Go de derrota humana da DeepMind, é uma classe de métodos poderosa que captura a ideia por trás de tentativa e erro - dado um objetivo, um agente de aprendizagem tenta repetidamente atingir o objetivo, falhando e aprender com seus erros no processo.

Em um sistema de tráfego, os objetivos podem ser maximizar a velocidade média geral dos veículos, minimizar o tempo de viagem, minimizar o consumo de energia e assim por diante.

Ao estudar os componentes comuns das redes de tráfego, como estradas de grade, gargalos e rampas de entrada e saída, Wu e seus colegas descobriram que o aprendizado por reforço pode corresponder, e em alguns casos exceder, o desempenho das estratégias atuais de controle de tráfego. E o mais importante, o aprendizado por reforço pode lançar uma nova luz para a compreensão de sistemas complexos em rede - que há muito tempo escapam das técnicas clássicas de controle. Por exemplo, se apenas 5 a 10 por cento dos veículos nas estradas fossem autônomos e usassem o aprendizado por reforço, isso poderia eliminar o congestionamento e aumentar a velocidade dos veículos em 30 a 140 por cento. E o aprendizado de um cenário geralmente se traduz bem em outros. Essas percepções podem, um dia, em breve, ajudar a informar políticas públicas ou decisões de negócios.

No decorrer desta pesquisa, Wu e seus colegas ajudaram a melhorar uma classe de métodos de aprendizagem por reforço chamados métodos de gradiente de política. Seus avanços acabaram sendo uma melhoria geral para a maioria dos métodos de aprendizagem por reforço profundo existentes.

Mas as técnicas de aprendizagem por reforço precisarão ser continuamente aprimoradas para acompanhar a escala e as mudanças na infraestrutura e os padrões de comportamento em mudança. E os resultados da pesquisa precisarão ser traduzidos em ação por planejadores urbanos, fabricantes de automóveis e outras organizações.

Hoje, Wu está colaborando com agências públicas em Taiwan e na Indonésia para usar os insights de seu trabalho para orientar melhores diálogos e decisões. Mudando os semáforos ou usando estímulos para mudar o comportamento dos motoristas, existem outras maneiras de reduzir as emissões ou reduzir o trânsito? 

“Estou surpreso com esse trabalho todos os dias”, diz Wu. “Decidimos responder a uma pergunta sobre carros autônomos e descobrimos que você pode separar os insights e aplicá-los de outras maneiras, e isso nos leva a novas perguntas interessantes para responder.”

Wu está feliz por ter encontrado seu lar intelectual no LIDS. Sua experiência é como um "lugar muito profundo, intelectual, amigável e acolhedor". E ela conta entre suas inspirações de pesquisa o curso 6.003 do MIT (Sinais e Sistemas) - aula que ela incentiva a todos a fazer - ministrado na tradição dos professores Alan Oppenheim (Laboratório de Pesquisa em Eletrônica) e Alan Willsky (LIDS). “O curso me ensinou que muitas coisas neste mundo poderiam ser examinadas de forma proveitosa através das lentes de sinais e sistemas, sejam eletrônicos ou instituições ou sociedade”, diz ela. “Estou apenas percebendo enquanto digo isso, que fui fortalecido pelo pensamento LIDS o tempo todo!”

Pesquisar e ensinar durante uma pandemia não têm sido fáceis, mas Wu está aproveitando ao máximo um primeiro ano desafiador como professor. (“Tenho trabalhado em casa em Cambridge - minha curta caminhada é irrelevante neste momento”, diz ela ironicamente.) Para relaxar, ela gosta de correr, ouvir podcasts que cobrem tópicos que vão de ciência a história e engenharia reversa seus alimentos congelados favoritos do Trader Joe.

Ela também está trabalhando em dois projetos relacionados à Covid nascidos no MIT: Um explora como os dados do ambiente, como dados coletados por termômetros conectados à Internet das coisas, podem ajudar a identificar surtos comunitários emergentes. Outro projeto pergunta se é possível verificar o quão contagioso o vírus é no transporte público e como diferentes fatores podem diminuir o risco de transmissão.

Ambos estão em seus estágios iniciais, diz Wu. “Esperamos contribuir um pouco para o conjunto de conhecimentos que podem ajudar os tomadores de decisão em algum lugar. Tem sido muito esclarecedor e gratificante fazer isso e ver todos os outros esforços em andamento em torno do MIT. ” 

 

.
.

Leia mais a seguir