Ekološka vožnja za značajno smanjenje emisije vozila

Studija modeliranja velikih razmjera koju su vodili američki istraživači s tehnološkog instituta u Massachusettsu MIT-a, otkriva da bi mjere ekološke vožnje, koje mogu uključivati dinamičko prilagođavanje brzine vozila kako bi se smanjilo zaustavljanje i pretjerano ubrzanje, mogle značajno smanjiti emisije CO2 .

Koristeći metodu umjetne inteligencije nazvanu učenje s dubokim potkrepljenjem (Deep Reinforcement Learning), istraživači su proveli dubinsku procjenu utjecaja čimbenika koji utječu na emisije vozila u tri velika američka grada.

Njihova analiza pokazuje da bi potpuno usvajanje mjera ekološke vožnje moglo smanjiti godišnje emisije ugljika na raskrižjima u cijelom gradu za 11 do 22 posto, bez usporavanja protoka prometa ili utjecaja na sigurnost vozila i prometa.

Čak i ako samo 10 posto vozila na cestama koristi ekološku vožnju, to bi rezultiralo 25 do 50 posto ukupnog smanjenja emisija CO2, otkrili su istraživači.

Osim toga, dinamička optimizacija ograničenja brzine na oko 20 posto raskrižja osigurava 70 posto ukupnih koristi od emisija. To ukazuje na to da bi se mjere ekološke vožnje mogle provoditi postupno, a da pritom i dalje imaju mjerljive, pozitivne učinke na ublažavanje klimatskih promjena i poboljšanje javnog zdravlja.

U bliskoj budućnosti, ekovožnja bi mogla uključivati ​​navođenje brzine u obliku nadzornih ploča vozila ili aplikacija za pametne telefone. Dugoročno, ekovožnja bi mogla uključivati ​​inteligentne naredbe brzine koje izravno kontroliraju ubrzanje poluautonomnih i potpuno autonomnih vozila putem komunikacijskih sustava između vozila i infrastrukture.

Istraživači su koristili podatke s otvorenih uličnih karata, američkih geoloških istraživanja i drugih izvora kako bi stvorili digitalne replike više od 6000 signaliziranih raskrižja u tri grada, Atlanti, San Franciscu i Los Angelesu i simulirali više od milijun prometnih scenarija.

Istraživači su koristili duboko učenje s potkrepljenjem kako bi optimizirali svaki scenarij za ekološku vožnju i postigli maksimalne koristi u pogledu emisija.

Učenje s potkrepljenjem optimizira ponašanje vozila u vožnji putem interakcija pokušaja i pogrešaka s visokokvalitetnim simulatorom prometa, nagrađujući ponašanja vozila koja su energetski učinkovitija, a kažnjavajući ona koja nisu.

Međutim, uvježbavanje ponašanja vozila koje se generalizira na različite scenarije prometa na raskrižjima bio je veliki izazov. Istraživači su trenirali odvojene modele učenja s potkrepljenjem za različite skupine prometnih scenarija, što je ukupno rezultiralo boljim koristima za emisije.

Ali čak i uz pomoć umjetne inteligencije, analiza gradskog prometa na razini mreže bila bi toliko računalno zahtjevna da bi za njezino rješavanje moglo biti potrebno još desetljeće. Umjesto toga, raščlanili su problem i riješili svaki scenarij ekološke vožnje na razini pojedinog raskrižja.

Njihovi rezultati također pokazuju da bi ekološka vožnja mogla pružiti još veće koristi u kombinaciji s alternativnim rješenjima za dekarbonizaciju prijevoza. Na primjer, 20-postotno usvajanje ekološke vožnje u San Franciscu smanjilo bi razinu emisija za 7 posto, ali u kombinaciji s predviđenim usvajanjem hibridnih i električnih vozila smanjilo bi emisije za 17 posto.