📢 转载信息
原文链接：https://news.mit.edu/2025/eco-driving-measures-could-significantly-reduce-vehicle-emissions-0807
原文作者：Adam Zewe | MIT News
生态驾驶措施或可显著减少车辆排放
新研究表明，通过动态控制车辆在交叉路口的行驶速度以缓解交通拥堵，可以将碳排放量减少11%至22%。
任何在红绿灯前等待多次循环的司机都知道信号灯控制的交叉路口有多令人沮丧。但这种无谓的停车等待不仅消耗了驾驶员的耐心，据估计，这种无效的怠速可能占美国陆地交通二氧化碳排放量的15%。
由麻省理工学院（MIT）研究人员领导的一项大规模建模研究揭示，生态驾驶（eco-driving）措施——通过动态调整车速来减少停车和过度加速——可以显著减少这些二氧化碳排放。
研究人员利用一种强大的、名为深度强化学习（deep reinforcement learning）的人工智能方法，对影响美国三个主要城市车辆排放的因素进行了深入的评估。
他们的分析表明，全面采用生态驾驶措施，可以在不影响交通吞吐量或车辆安全性的前提下，将城市年交叉路口碳排放量削减11%至22%。
研究人员发现，即使道路上只有10%的车辆采用生态驾驶，也能实现总二氧化碳减排量的25%至50%。
此外，在约20%的交叉路口动态优化限速，就能带来总排放效益的70%。这表明生态驾驶措施可以逐步实施，同时对减缓气候变化和改善公共健康产生可衡量的积极影响。
图片来源：研究人员提供
论文的资深作者、MIT土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的Cathy Wu教授表示：“像生态驾驶这样的基于车辆的控制策略，可以推动气候变化减排。我们在这里证明，像深度强化学习这样的现代机器学习工具，可以加速支持社会技术决策制定的分析过程。这仅仅是冰山一角。”
与她一同发表论文的还有首席作者、MIT研究生Vindula Jayawardana，以及MIT研究生Ao Qu、Cameron Hickert和Edgar Sanchez，MIT本科生Catherine Tang，苏黎世联邦理工学院（ETH Zurich）研究生Baptiste Freydt，以及犹他州交通部的Mark Taylor和Blaine Leonard。这项研究发表在《交通研究B辑：新兴技术》上。
多因素的建模研究
交通控制措施通常让人联想到固定基础设施，如停车标志和交通信号灯。但随着车辆技术的进步，这为生态驾驶提供了机会，生态驾驶是一个总称，指代旨在通过动态速度控制来减少能源消耗的基于车辆的交通控制措施。
在短期内，生态驾驶可能涉及通过车载仪表盘或智能手机应用程序提供速度指导。从长远来看，生态驾驶可能涉及通过车路通信系统，直接控制半自动和全自动车辆的加速的智能速度指令。
“大多数先前的工作都集中在如何实施生态驾驶。我们将研究的重点转移到考虑‘是否应该’实施生态驾驶这个问题上。如果我们大规模部署这项技术，它会有区别吗？”Wu说。
为了回答这个问题，研究人员进行了一项耗时近四年的多方面建模研究。
他们首先确定了影响车辆排放的33个因素，包括温度、道路坡度、交叉路口拓扑结构、车辆年龄、交通需求、车辆类型、驾驶行为、交通信号配时、道路几何结构等。
“最大的挑战之一是确保我们勤奋地没有遗漏任何主要因素，”Wu说。
然后，他们利用OpenStreetMap、美国地质调查和其他来源的数据，为亚特兰大、旧金山和洛杉矶三个城市的6000多个信号灯控制交叉路口创建了数字复制品，并模拟了超过一百万种交通情景。
研究人员使用深度强化学习对每种情景进行生态驾驶优化，以实现最大的减排效益。
强化学习通过与高保真交通模拟器的反复试验互动来优化车辆的驾驶行为，奖励更节能的车辆行为，惩罚那些不节能的行为。
研究人员将该问题视为一个去中心化的合作多智能体控制问题，其中车辆相互合作以实现整体能源效率（即使是对未参与的车辆也是如此），并且它们以去中心化的方式运行，避免了车辆间昂贵的通信需求。
然而，训练出的车辆行为要在各种交叉路口交通情景中具有通用性是一个主要的挑战。研究人员观察到，有些情景比其他情景更相似，例如具有相同车道数量或相同信号灯相位的交通情景。
因此，研究人员为不同的交通情景集群训练了独立的强化学习模型，从而获得了更好的整体排放效益。
但即使有AI的帮助，分析城市级网络层面的交通仍然非常耗费计算资源，Wu说，可能需要再花十年才能完全理清。
因此，他们将问题分解，并在单个交叉路口层面解决了每一个生态驾驶情景。
“我们仔细约束了每个交叉路口的生态驾驶控制对相邻交叉路口的影响。通过这种方式，我们极大地简化了问题，这使得我们能够在不引入未知网络效应的情况下进行规模化分析，”她说。
显著的减排效益
当分析结果时，研究人员发现，全面采用生态驾驶可以将交叉路口的排放量减少11%到22%。
这些效益因城市街道布局的不同而异。像旧金山这样更密集的城市，在交叉路口之间实施生态驾驶的空间较小，这可能是排放节约减少的原因之一；而亚特兰大由于其较高的限速，可能会看到更大的效益。
即使只有10%的车辆采用生态驾驶，城市仍能实现总排放效益的25%至50%，这是由于“跟车动态”：非生态驾驶车辆会跟随优化速度平稳通过交叉路口的生态驾驶车辆，从而也减少了碳排放。
在某些情况下，生态驾驶还可以通过最小化排放来提高车辆吞吐量。然而，Wu警告说，提高吞吐量可能会导致更多司机上路，从而减少排放效益。
虽然他们对广泛使用的安全指标（如碰撞时间）的分析表明，生态驾驶与人为驾驶一样安全，但这可能会引起人类驾驶员的意外行为。Wu表示，需要更多的研究来充分了解潜在的安全影响。
他们的结果还显示，当生态驾驶与其他交通脱碳解决方案相结合时，可以提供更大的效益。例如，在旧金山实施20%的生态驾驶，可以减少7%的排放量，但如果与混合动力和电动汽车的预期采用相结合，则可减少17%的排放量。
弗吉尼亚理工学院的Samuel L. Pritchard工程学教授Hesham Rakha（未参与此项研究）表示：“这是首次尝试系统地量化生态驾驶在网络范围内的环境效益。这项出色的研究工作将成为其他人评估生态驾驶系统的关键参考点。”
尽管研究人员关注的是碳排放，但这些效益与燃料消耗、能源使用和空气质量的改善高度相关。
“这几乎是一项‘免费’的干预措施。我们车里已经有了智能手机，而且我们正在迅速采用具有更先进自动化功能的汽车。要让一项技术快速普及，它必须相对容易实施且随时可用。生态驾驶就符合这一要求，”Wu说。
这项工作的部分资金由亚马逊和犹他州交通部提供。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区