Ha¡ uma animação em va­deo hipnotizante no YouTube de tra¡fego simulado e auta´nomo 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 colisaµes com seus vizinhos. E nem um aºnico carro parando. Mas e se mesmo um desses vea­culos não fosse auta´nomo? E se apenas um fosse?

Nas próximas décadas, os vea­culos auta´nomos tera£o 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 vea­culos auta´nomos são apenas parte de um sistema de transporte complexo que pode envolver carros auta´nomos, frotas de entrega, motoristas humanos e uma sanãrie de soluções de última milha para levar os passageiros atésua porta - não para mencionar a infraestrutura rodovia¡ria como rodovias, rotata³rias e, sim, cruzamentos.

O transporte hoje éresponsável por cerca de um tera§o do consumo de energia dos EUA. As decisaµes que tomamos hoje sobre vea­culos auta´nomos podem ter um grande impacto sobre este número - variando de uma redução de 40 por cento no uso de energia atéa duplicação do consumo de energia.

Então, como podemos entender melhor o problema de integração de vea­culos auta´nomos no sistema de transporte? Ta£o importante quanto, como podemos usar essa compreensão para nos guiar em direção a sistemas que funcionem melhor?

Wu, que ingressou no Laborata³rio de Sistemas de Informação e Decisão (LIDS) e no MIT em 2019, éo 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 familia de engenheiros elanãtricos na área da Filadanãlfia, 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 Laborata³rio de Ciência da Computação e Inteligaªncia Artificial para discutir seu interesse em carros auta´nomos.

Teller, que faleceu em 2014, respondeu a s suas perguntas com conselhos calorosos, diz Wu. “Ele me disse: 'Se vocêtem uma ideia de qual éa sua paixa£o na vida, então vocêtem que ir atrás dela o ma¡ximo que puder. Sa³ então vocêpode esperar encontrar sua verdadeira paixa£o. '

“Qualquer um pode dizer para vocêir atrás de seus sonhos, mas ele percebeu que sonhos e ambições nem sempre são claros desde o ina­cio. a‰ preciso muito trabalho para encontrar e perseguir sua paixa£o. ” 

Perseguindo essa paixa£o, Wu iria trabalhar com Teller, bem como no Laborata³rio de Roba³tica Distribua­da da Professora Daniela Rus e, finalmente, como estudante de graduação na Universidade da Califórnia em Berkeley, onde ganhou o praªmio de melhor PhD da IEEE Intelligent Transportation Systems Society em 2019.

Na pós-graduação, Wu teve uma epifania: ela percebeu que para os vea­culos auta´nomos cumprirem sua promessa de menos acidentes, economia de tempo, emissaµes mais baixas e maior acessibilidade socioecona´mica e física, essas metas devem ser explicitamente projetadas, seja como infraestrutura física, algoritmos usados ​​por vea­culos e sensores ou decisaµes políticas deliberadas.

No LIDS, Wu usa um tipo de aprendizado de ma¡quina chamado aprendizado por reforço para estudar como os sistemas de tra¡fego se comportam e como os vea­culos auta´nomos nesses sistemas devem se comportar para obter os melhores resultados possa­veis.

Aprendizagem por reforço, que foi mais conhecida por AlphaGo, o programa Go de derrota humana da DeepMind, éuma classe de manãtodos 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 tra¡fego, os objetivos podem ser maximizar a velocidade média geral dos vea­culos, minimizar o tempo de viagem, minimizar o consumo de energia e assim por diante.

Ao estudar os componentes comuns das redes de tra¡fego, como estradas de grade, gargalos e rampas de entrada e saa­da, Wu e seus colegas descobriram que o aprendizado por reforço pode corresponder, e em alguns casos exceder, o desempenho das estratanãgias atuais de controle de tra¡fego. E o mais importante, o aprendizado por reforço pode lana§ar uma nova luz para a compreensão de sistemas complexos em rede - que hámuito tempo escapam das técnicas cla¡ssicas de controle. Por exemplo, se apenas 5 a 10 por cento dos vea­culos nas estradas fossem auta´nomos e usassem o aprendizado por reforço, isso poderia eliminar o congestionamento e aumentar a velocidade dos vea­culos em 30 a 140 por cento. E o aprendizado de um cena¡rio geralmente se traduz bem em outros. Essas percepções podem, um dia, em breve, ajudar a informar políticas públicas ou decisaµes de nega³cios.

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

Mas as técnicas de aprendizagem por reforço precisara£o ser continuamente aprimoradas para acompanhar a escala e asmudanças na infraestrutura e os padraµes de comportamento em mudança. E os resultados da pesquisa precisara£o ser traduzidos em ação por planejadores urbanos, fabricantes de automa³veis e outras organizações.

Hoje, Wu estãocolaborando com agaªncias públicas em Taiwan e na Indonanãsia para usar os insights de seu trabalho para orientar melhores dia¡logos e decisaµes. Mudando os sema¡foros ou usando esta­mulos para mudar o comportamento dos motoristas, existem outras maneiras de reduzir as emissaµes ou reduzir o tra¢nsito? 

“Estou surpreso com esse trabalho todos os dias”, diz Wu. “Decidimos responder a uma pergunta sobre carros auta´nomos e descobrimos que vocêpode separar os insights e aplica¡-los de outras maneiras, e isso nos leva a novas perguntas interessantes para responder.”

Wu estãofeliz por ter encontrado seu lar intelectual no LIDS. Sua experiência écomo um "lugar muito profundo, intelectual, amiga¡vel 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 (Laborata³rio de Pesquisa em Eletra´nica) e Alan Willsky (LIDS). “O curso me ensinou que muitas coisas neste mundo poderiam ser examinadas de forma proveitosa atravanãs das lentes de sinais e sistemas, sejam eletra´nicos 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 tem sido fa¡ceis, mas Wu estãoaproveitando ao ma¡ximo um primeiro ano desafiador como professor. (“Tenho trabalhado em casa em Cambridge - minha curta caminhada éirrelevante neste momento”, diz ela ironicamente.) Para relaxar, ela gosta de correr, ouvir podcasts que cobrem tópicos que va£o de ciência a história e engenharia reversa seus alimentos congelados favoritos do Trader Joe.

Ela também estãotrabalhando em dois projetos relacionados a  Covid nascidos no MIT: Um explora como os dados do ambiente, como dados coletados por terma´metros conectados a  Internet das coisas, podem ajudar a identificar surtos comunita¡rios emergentes. Outro projeto pergunta se épossí­vel verificar o quanto contagioso o va­rus éno transporte paºblico e como diferentes fatores podem diminuir o risco de transmissão.

Ambos estãoem seus esta¡gios 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. ”