生态驾驶技术可显著降低车辆排放

根据某机构研究人员主导的大规模建模研究，通过动态调整车辆速度以减少停车和过度加速的生态驾驶措施，可显著降低二氧化碳排放量。

研究采用名为深度强化学习的强大人工智能方法，对美国三大城市的车辆排放影响因素进行了深入评估。分析表明，全面采用生态驾驶措施可使城市交叉口年碳排放量减少11%至22%，且不影响交通通行效率或车辆安全。

即使只有10%的道路车辆采用生态驾驶，仍可实现25%至50%的总减排效果。此外，动态优化约20%交叉口的限速措施即可提供70%的总排放效益。这表明生态驾驶措施可以逐步实施，同时对缓解气候变化和改善公共健康产生可衡量的积极影响。

多维度建模研究

生态驾驶是一个统称术语，指通过动态速度控制等基于车辆的交通管理措施来降低能耗。近期可通过车辆仪表盘或智能手机应用提供速度引导，远期则可通过车路通信系统直接控制半自动和全自动驾驶车辆的加速度。

研究团队耗时四年完成这项多维度建模研究，首先确定了33个影响车辆排放的因素，包括温度、道路坡度、交叉口拓扑结构、车辆年限、交通需求、车辆类型、驾驶员行为、交通信号配时、道路几何形状等。

研究人员利用开放地图数据和地质调查数据，创建了亚特兰大、旧金山和洛杉矶三座城市6000多个信号控制交叉口的数字孪生模型，模拟了超过100万个交通场景。

通过深度强化学习技术，研究人员对每个场景进行生态驾驶优化以实现最大排放效益。该技术通过车辆与高保真交通模拟器的试错交互来优化驾驶行为，奖励节能行为而惩罚非节能行为。

研究将问题构建为分散式协作多智能体控制问题：车辆通过协作实现整体能效提升（包括非参与车辆），且采用分散式行动模式避免车辆间昂贵通信需求。

针对不同交通场景的泛化训练是主要挑战。研究人员发现某些场景（如具有相同车道数或信号相位的场景）具有相似性，因此为不同交通场景集群分别训练强化学习模型，从而获得更好的整体排放效益。

分析结果显示，全面采用生态驾驶可使交叉口排放减少11%至22%。减排效果因城市街道布局而异：旧金山等密度较高的城市在交叉口之间实施生态驾驶的空间较小，减排效益相对较低；而亚特兰大因限速较高可获得更大效益。

即使仅有10%车辆采用生态驾驶，由于车辆跟驰动力学效应，非生态驾驶车辆会跟随受控生态驾驶车辆优化速度平稳通过交叉口，城市仍可实现25%至50%的总减排效益。

在某些情况下，生态驾驶通过最小化排放还能提高车辆通行效率。但需注意通行效率提升可能导致更多车辆上路，从而降低排放效益。

研究表明生态驾驶与混合动力及电动汽车相结合可产生更大效益。例如旧金山20%生态驾驶采用率可减排7%，若结合混合动力和电动汽车的预期采用率，减排效果可达17%。

这种干预措施几乎无需成本：智能手机已在车辆中普及，具备更先进自动化功能的车辆也在快速普及。生态驾驶具有实施简单、准备就绪的特点，具备快速推广的潜力。

该研究由某中心和某州交通部门共同资助。