研究职员指出，纵然是少量的自动驾驶汽车上路行驶，也将显著改进车流情形。麻省理工的 Lex Fridman 及其团队开拓了一个游戏来加速实现这一愿景。
DeepTraffic 游戏仿照常见的公路环境，游戏者利用深度学习来掌握自己的车辆。仿照可让初学者打仗繁芜的技能观点，而游戏化可推动专业职员开拓全新的技能。
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间隔、何时变更车道并且随时把稳避免涌现小事件，这一过程被称之为路线方案。利用 DeepTraffic，任何人都可以设计并演习深度神经网络来进行这样的操作。
在5月于硅谷举行的 GPU 技能大会上，Fridman 在一场研讨会中评论辩论了此游戏对付增强学习的依赖。这是一种实现人工智能的方法，在该方法中，实行预期操作的神经网络会得到褒奖，通过不断重复这些褒奖，神经网络将学会如何实行这些任务。
在此游戏中，神经网络会掌握一辆赤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利用 javascript 来掌握参数和改变汽车的驾驶行为。更高等的游戏者可以通过 OpenAI Gym 访问 DeepTraffic，并利用任何 Python 接口演习网络。
极速赛车：DeepTraffic 游戏者利用深度学习在车流中快速穿行
DeepTraffic 助力培训人工智能开拓者DeepTraffic 最初是为 Fridman 在麻省理工教授的课程而开拓。当课程内容和游戏向"大众年夜众开放后，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率。
此游戏的竞赛性增强了意见意义程度，但现实天下的风险却要高得多。自动驾驶汽车必须方案从一点到另一点的安全路线，只有利用人工智能才能办理驾驶任务的繁芜性。像 DeepTraffic 这样的传授教化工具有助于培训新一代的人工智能开拓者，并催生出将转变汽车生态系统的办理方案。
感兴趣的你可以复制以下链接，不雅观看 Fridman 在 GTC 上的完全演讲，以详细理解路线方案的层次、增强学习的利弊和演习 DeepTraffic 所用网络的干系技能细节。
https://blogs.nvidia.com/blog/2017/07/07/deeptraffic-how-an-mit-simulation-game-uses-deep-learning-to-reduce-gridlock/
