Каждый автомобилист знает, как раздражают заторы на перекрёстках из-за долгих ожиданий смены сигнала светофора. Но простои на перекрёстках не только проверяют терпение водителей — неэффективный холостой ход транспортных средств может стать причиной до 15 процентов выбросов углекислого газа от наземных перевозок в США.
Масштабное моделирование, проведённое исследователями MIT, показывает, что меры эковождения, которые включают динамическую регулировку скорости транспортных средств для снижения количества остановок и чрезмерного ускорения, могут значительно сократить эти выбросы CO₂.
Используя мощный метод искусственного интеллекта, называемый глубоким обучением с подкреплением, исследователи провели углублённую оценку факторов, влияющих на выбросы транспортных средств в трёх крупных городах США.
Их анализ показывает, что полное внедрение мер эковождения может сократить ежегодные выбросы углекислого газа на перекрёстках в масштабах города на 11–22 процента, не замедляя при этом пропускную способность дорожного движения и не влияя на безопасность транспортных средств и дорожного движения.
Даже если только 10 процентов транспортных средств будут использовать эковождение, это приведёт к сокращению выбросов CO₂ на 25–50 процентов от общего объёма, выяснили исследователи.
Кроме того, динамическая оптимизация ограничений скорости примерно на 20 процентах перекрёстков обеспечивает 70 процентов общего сокращения выбросов. Это указывает на то, что меры эковождения могут внедряться постепенно, при этом оказывая заметное положительное влияние на смягчение последствий изменения климата и улучшение здоровья населения.
Многокомпонентное моделирование
Меры по регулированию дорожного движения обычно ассоциируются с фиксированной инфраструктурой, такой как знаки «Стоп» и светофоры. Но по мере того как транспортные средства становятся всё более технологически продвинутыми, появляются возможности для эковождения — общего термина для мер по управлению транспортными потоками на основе транспортных средств, таких как использование динамических скоростей для снижения энергопотребления.
В краткосрочной перспективе эковождение может включать в себя рекомендации по скорости в виде приборных панелей транспортных средств или приложений для смартфонов. В долгосрочной перспективе эковождение может включать в себя интеллектуальные команды по скорости, которые напрямую управляют ускорением полуавтономных и полностью автономных транспортных средств через системы связи между транспортными средствами и инфраструктурой.
«Большинство предыдущих работ было сосредоточено на том, как внедрить эковождение. Мы поставили вопрос по-другому: стоит ли нам внедрять эковождение? Если бы мы развернули эту технологию в масштабе, имело бы это значение?» — говорит старший автор исследования Кэти Ву.
Чтобы ответить на этот вопрос, исследователи провели многогранное моделирование, которое заняло более четырёх лет.
Они начали с определения 33 факторов, влияющих на выбросы транспортных средств, включая температуру, уклон дороги, топологию перекрёстка, возраст транспортного средства, спрос на поездки, типы транспортных средств, поведение водителя, время переключения сигналов светофора, геометрию дороги и т. д.
Затем они использовали данные из открытых уличных карт, геологических исследований США и других источников для создания цифровых копий более чем 6 000 перекрёстков с регулируемым движением в трёх городах — Атланте, Сан-Франциско и Лос-Анджелесе — и смоделировали более миллиона сценариев дорожного движения.
Исследователи использовали глубокое обучение с подкреплением для оптимизации каждого сценария для эковождения, чтобы достичь максимальной выгоды от сокращения выбросов.
Обучение с подкреплением оптимизирует поведение транспортных средств методом проб и ошибок с помощью высокоточного симулятора дорожного движения, вознаграждая за более энергоэффективное поведение транспортных средств и штрафуя за неэффективное.
Однако обучение поведению транспортных средств, которое обобщалось бы на различных сценариях движения по перекрёсткам, стало серьёзной задачей. Исследователи заметили, что некоторые сценарии более похожи друг на друга, чем другие, например, сценарии с одинаковым количеством полос движения или одинаковым количеством фаз работы светофора.
Поэтому исследователи обучили отдельные модели обучения с подкреплением для разных кластеров сценариев движения по перекрёсткам, что позволило добиться более значительных преимуществ в сокращении выбросов в целом.
Но даже с помощью ИИ анализ городского трафика на сетевом уровне потребовал бы таких вычислительных мощностей, что на его расшифровку могло бы уйти ещё десятилетие, говорит Ву.
Вместо этого они разбили проблему и решили каждый сценарий эковождения на уровне отдельного перекрёстка.
«Мы тщательно ограничили влияние управления эковождением на каждом перекрёстке на соседние перекрёстки. Таким образом мы значительно упростили задачу, что позволило нам провести этот анализ в масштабе, не вводя неизвестных сетевых эффектов», — говорит она.
Значительная польза для сокращения выбросов
Когда исследователи проанализировали результаты, они обнаружили, что полное внедрение эковождения может привести к сокращению выбросов на перекрёстках на 11–22 процента.
Эти преимущества различаются в зависимости от планировки улиц города. В более плотном городе, таком как Сан-Франциско, меньше возможностей для внедрения эковождения между перекрёстками, что может объяснить снижение экономии выбросов, в то время как в Атланте можно увидеть большие преимущества благодаря более высоким ограничениям скорости.
Даже если только 10 процентов транспортных средств будут использовать эковождение, город всё равно сможет реализовать 25–50 процентов от общего объёма сокращения выбросов благодаря динамике следования за автомобилем: транспортные средства, не использующие эковождение, будут следовать за транспортными средствами, управляемыми с помощью эковождения, когда они оптимизируют скорость для плавного прохождения перекрёстков, что также снижает их выбросы углекислого газа.
В некоторых случаях эковождение также может увеличить пропускную способность транспортных средств за счёт минимизации выбросов. Однако Ву предупреждает, что увеличение пропускной способности может привести к тому, что больше водителей выйдет на дороги, что снизит пользу для сокращения выбросов.
Их анализ широко используемых показателей безопасности, известных как суррогатные меры безопасности, таких как время до столкновения, показывает, что эковождение так же безопасно, как и вождение человека, но может вызывать неожиданное поведение у водителей-людей. Необходимы дополнительные исследования, чтобы полностью понять потенциальные последствия для безопасности, говорит Ву.
Их результаты также показывают, что эковождение может дать ещё большие преимущества в сочетании с альтернативными решениями по декарбонизации транспорта. Например, 20-процентное внедрение эковождения в Сан-Франциско сократит уровень выбросов на 7 процентов, но в сочетании с прогнозируемым внедрением гибридных и электромобилей оно сократит выбросы на 17 процентов.
«Это первая попытка систематически количественно оценить экологические преимущества эковождения в масштабах сети. Это большое исследовательское усилие, которое послужит ключевым справочником для других при оценке систем эковождения», — говорит Хешем Ракха, профессор инженерии в Виргинском политехническом институте, который не участвовал в этом исследовании.
И хотя исследователи сосредоточились на выбросах углекислого газа, преимущества тесно связаны с улучшением потребления топлива, энергопотребления и качества воздуха.
«Это почти бесплатное вмешательство. У нас уже есть смартфоны в наших автомобилях, и мы быстро внедряем автомобили с более продвинутыми функциями автоматизации. Чтобы что-то быстро масштабировалось на практике, оно должно быть относительно простым в реализации. Эковождение соответствует этому требованию», — говорит Ву.
Это исследование частично финансировалось Amazon и Департаментом транспорта штата Юта.
1. Какие технологии и методы использовались для моделирования и оценки влияния эковождения на выбросы углекислого газа?
В статье говорится, что для моделирования и оценки влияния эковождения на выбросы углекислого газа использовалось масштабное моделирование, включая метод глубокого обучения с подкреплением. Этот метод позволяет оптимизировать поведение транспортных средств для достижения максимальной выгоды от сокращения выбросов.
2. Какие результаты были получены в ходе исследования относительно сокращения выбросов при внедрении эковождения?
Исследование показало, что полное внедрение эковождения может сократить ежегодные выбросы углекислого газа на перекрёстках в масштабах города на 11–22 процента. Даже если только 10 процентов транспортных средств будут использовать эковождение, это приведёт к сокращению выбросов CO₂ на 25–50 процентов от общего объёма.
3. Какие факторы были учтены при моделировании сценариев дорожного движения для оценки влияния эковождения?
При моделировании сценариев дорожного движения были учтены 33 фактора, включая температуру, уклон дороги, топологию перекрёстка, возраст транспортного средства, спрос на поездки, типы транспортных средств, поведение водителя, время переключения сигналов светофора, геометрию дороги и т. д.
4. Какие преимущества эковождения были выявлены в сочетании с альтернативными решениями по декарбонизации транспорта?
Исследование показало, что эковождение может дать ещё большие преимущества в сочетании с альтернативными решениями по декарбонизации транспорта. Например, 20-процентное внедрение эковождения в Сан-Франциско сократит уровень выбросов на 7 процентов, но в сочетании с прогнозируемым внедрением гибридных и электромобилей оно сократит выбросы на 17 процентов.
5. Какие выводы можно сделать относительно безопасности эковождения на основе результатов исследования?
На основе результатов исследования можно сделать вывод, что эковождение так же безопасно, как и вождение человека, но может вызывать неожиданное поведение у водителей-людей. Необходимы дополнительные исследования, чтобы полностью понять потенциальные последствия для безопасности.