据外媒报道，美国能源部旗下劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory，Berkeley Lab）发布了新的研究项目，旨在将人工智能应用到自动驾驶车辆中，从而使交通流更为顺畅、节省车辆油耗并改善空气质量。

该机构还与加州大学伯克利分校（UC Berkeley）开展合作，将深度强化学习技术用于训练控制器，实现更加可持续的交通模式。深度强化学习是一种计算工具。

利用Flow提升交通流顺畅度

Flow是业内首款软件框架，可供研发人员发现、标记优化交通流的相关方案，其采用最新款开源微型模拟器，可模拟上万辆车辆，部分车辆由人工驾驶，其他车辆则属于自动驾驶车辆的范畴，可定制化交通情境内的车辆驾驶。

研究人员利用Flow设计、测试、部署首款互联与自动驾驶车辆（CAV）的车载系统，主动缓解高速道路上走走停停的幽灵赛车现象（stop-and-go phantom traffic jam）。

强化学习是如何缓解交通拥堵的？

深度强化学习可被用于训练计算机下围棋并教会机器人如何在障碍赛跑场地（obstacle course）奔跑。在培训过程中，系统会进行观察，然后利用迭代技术反复强化该行动，然后再挑选出行动的优先项。

在交通用例中，Flow将训练车辆检查其前方和后方是否有车辆靠近。

DeepAir项目

该防污染项目取名为DeepAir，其意为利用深度学习与卫星图像对空气质量进行大规模的评估。

该项目研究人员将利用深度学习算法，分析卫星图片，并将其与手机的交通信息及环境监测站采集的数据。

据研究人员预计，最终的结果分析使其能洞察污染物的来源及分布，最终便于其设计更为高效、及时的介入手段。