IntersectionZoo è un nuovo strumento di benchmark che si basa su scenari di traffico realistici per testare quanto efficacemente questi algoritmi possano contribuire alla riduzione delle emissioni attraverso pratiche di guida ecologica. Il sistema, nato da un progetto guidato dalla professoressa Cathy Wu del MIT, affronta una delle principali sfide del settore, ovvero la scarsa generalizzabilità degli algoritmi quando si passa da uno scenario specifico a uno solo leggermente diverso.
Concretamente, questo nuovo strumento sviluppato dal MIT potrebbe aiutare a rendere il traffico cittadino più efficiente e meno inquinante grazie all’IA. Il suo compito consisterebbe nel mettere alla prova gli algoritmi che insegnano alle macchine come guidare in modo più “intelligente”, rallentando prima dei semafori o evitando frenate inutili. Sembrerebbe che questa tipologia di guida, chiamata eco-driving, potrebbe ridurre il consumo di carburante e le emissioni anche se adottata da pochi veicoli, influenzando positivamente il comportamento degli altri.
Lo strumento ricrea situazioni reali di traffico urbano, come incroci complessi e variazioni del meteo, per vedere quanto gli algoritmi riescano ad adattarsi a cambiamenti piccoli ma significativi. Finora, molti programmi faticavano a funzionare bene se il contesto cambiava anche solo un po’. Con IntersectionZoo, invece, i ricercatori sperano di migliorare l’affidabilità di queste tecnologie, non solo per la mobilità sostenibile, ma anche per tante altre applicazioni. Il progetto è aperto e disponibile su GitHub, così chiunque lavori nel campo può usarlo e contribuire ai suoi sviluppi.
Leggi l’articolo completo: New tool evaluates progress in reinforcement learning su news.mit.edu.
Immagine generata tramite DALL-E 3. Tutti i diritti sono riservati. Università di Torino (2025).
