导读	大家都对交通阻塞深恶痛绝。除了让人头疼和错过约会之外，交通拥堵让美国的司机每年多花3000亿美元。 研究人员建议大家使用自动驾驶汽车，即使数量占比并不大，但也能大大改善交通拥堵情况。 Lex Fridman和他的MIT团队开发了一款模拟游戏来加速实现这个未来。DeepTraffic模拟的是典型的公路环境，玩家使用深度学习技术来控制自己的汽车。这款模拟游戏让初学者也能接触并使用复杂的技术概念，同时也推动专家们去开发全新的技术。

采用神经网络的交通游戏

假设你在洛杉矶一条拥挤的高速公路上开车。你必须确定好你与前车之间的距离、何时变道，以及如何避免撞到其他车辆。这就是所谓的路径规划。有了DeepTraffic，任何人都可以设计和训练一个深度神经网络来实现上面这些功能。

上个月在硅谷举行的GPU技术大会（GTC）上，Fridman讲述了这款建立在强化学习之上的游戏的设计原理。它通过对神经网络完成指定动作进行奖励来实现AI。通过反反复复的训练和奖励，神经网络最终学会如何运行。

在这个游戏中，神经网络控制一辆红色的汽车在一条拥挤的高速公路上行驶，它的目标是尽可能快地通过公路。初学者可以在浏览器中使用JavaScript来控制参数并改变汽车的行驶。而高级玩家可以使用OpenAI Gym访问DeepTraffic，并可通过OpenAI Gym提供的任意Python接口对网络进行训练。

极速赛车手：DeepTraffic玩家使用深度学习来快速行驶。

DeepTraffic最初是Fridman在MIT为了给学生上课而开发的。当课程内容和这款游戏向公众开放时，受到了大家的热烈欢迎，迄今为止已经有12000人次提交了他们的模型。在游戏排行榜上记录了车速最快，同时也是神经网络速度最快的选手的名单。

游戏的乐趣来自于玩家之间的竞争，而现实世界的奖金要高得多。自动驾驶车辆必须要为到达目的地规划一条安全的路径，这个过程相当的复杂，必须要用到AI。而像DeepTraffic这样的教育工具既有助于培养AI开发人员，也能让改变汽车生态系统的解决方案涌现出来。

你可以在这里找到Fridman在GTC上的完整的演讲（包括PDF和MP4）。通过这个演讲，你还能了解到路径规划的层次结构、强化学习的优缺点，以及有关DeepTraffic网络训练的技术细节。