交通与能源领域突破性的高效可持续方案

在宾夕法尼亚大学嵌入式计算与集成系统工程（PRECISE）研究中心的繁忙走廊里，开创性的研究正在展开。

这项工作由电气与系统工程（ESE）博士生南丹·图穆（Nandan Tumu）负责领导，他受计算机与信息科学（CIS）和 ESE 系教授、PRECISE 中心创始成员拉胡尔·曼加哈姆（Rahul Mangharam）的指导，有望改变城市交通管理，对可持续城市生活和减缓气候变化产生影响。

图穆的学术之旅始于康涅狄格大学，他主修计算机科学，辅修哲学。这种独特的组合为他的研究奠定了坚实的基础，将技术专长与对不确定性和知识的深刻而细致的理解相结合。

他对于量化不确定性以及借助物理学为机器学习提供信息的痴迷，源于早期使用强化学习开发机器人控制算法的尝试。

当今机器学习方法中的一个主要障碍是样本复杂性，也就是学习算法要达到正确性能水平所需数据量的问题。数据越多，所需的能量就越多，对环境的影响就越大。

为了解决这个问题，图穆探索了更有效的方法，并发现基于物理和受约束的学习可以显著减少对大量采样的需求

通过将这种方法与共形预测（一种用于无分布不确定性量化的方法）相融合，图穆成功找到了一种能够有效且可靠地控制复杂系统的办法。

这种将物理信息和约束学习与共形预测进行的创新结合，已成为他研究的动力源泉，有希望挖掘出更大的多智能体系统（比如无人机群或者无人驾驶汽车）或者像电网和风力发电场之类基础设施的潜力。

优化交通系统一直是激励图穆开展研究的一个应用方向。

在他们发表于 arXiv 预印本服务器的论文“大规模城市道路网络的可微预测控制”里，图穆和他的合作伙伴解决了我们这个时代最为紧迫的问题之一：交通拥堵以及其对二氧化碳排放的影响。

由于交通是全球排放的主要推动因素，对交通网络进行优化对于降低能源消耗和缓解气候变化极为重要。

图穆的新方法运用了可微预测控制（DPC），这是在 PNNL 开发的一种基于物理信息的机器学习方式，来推动交通管理工作。

与 MPC 相比，MPC 扩展性能不佳，解决交通流量问题耗时甚多，Tumu 发现 DPC 能够准确快速地解决这些问题，为交通管理提供了更强大的解决方案。

事实上，与现有的最先进的模型预测控制（MPC）方法进行的实证比较证明了 Tumu 方法的优越性。

正如论文中所报道的，DPC 使计算时间降低了四个数量级，交通性能的提升幅度高达 37％。此外，控制器对场景变化的鲁棒性确保了对不断变化的交通模式的适应性。这项工作不仅提出了更有效的交通控制方法，而且旨在减少排放并缓解大规模城市网络中的拥堵。

Tumu 的研究的实际影响将通过 PNNL 与佛罗里达州科勒尔盖布尔斯市的合作作为 AutonomIA 项目的一部分予以评估。目标是在现实环境中实施这些先进的交通控制算法——交通灯和信号的管理策略，以显著减少旅行时间和能源消耗。

截至目前，结果充满希望：该项目估计车辆延误将大幅减少，有助于降低总体能源消耗和减少 CO2排放。

“这种优化现有交通控制基础设施的创新方法是至关重要的一步，应对气候变化，”研究数据科学家 Ján Drgoňa 说，他是图穆在太平洋西北国家实验室（PNNL）的导师之一。

图穆的研究超出了城市交通的范围。与 PNNL 合作，他正在应用和推进 DPC 方法，以提高现有风力发电场的效率。“这种拓展与我开发网络信息物理系统控制算法以提高效率和性能的总体研究愿景相契合，”图穆说。

“通过融入基于物理的信息和不确定性量化，我的目标是创建利用现实世界数据的改进控制算法。”

“南丹·图穆的研究蕴含了在数学上严谨且具有扩展性的方法，以解决关键的气候和复杂的社会挑战，”曼加拉姆说。

“通过整合基于物理的机器学习与先进的控制方法相结合，他正在开创有望使我们的城市环境更高效、能源系统更可持续的解决方案。”

“他的工作证明了跨学科研究的力量，以及其在我们的世界中推动有意义变革的潜力，”PRECISE 中心主任、CIS 的塞西莉亚·菲特勒·摩尔教授英苏普·李说道。

“随着南丹不断突破各种可能的界限，他的贡献注定会在学术界和社会中留下长久的影响。”