智能交通前沿：生态驾驶如何重塑城市碳排放格局
在全球气候变化日益严峻的背景下，交通领域的碳排放问题成为各界关注的焦点。城市交通，尤其是信号交叉口处的车辆怠速与频繁启停，被认为是城市空气污染和温室气体排放的重要来源。据研究显示，美国陆路交通碳排放中，高达15%可能源于车辆在交叉口的非生产性怠速。然而，最新的研究进展揭示了一项颠覆性的解决方案：通过智能化的生态驾驶策略，城市交通的碳排放量有望大幅削减，同时不影响交通效率与安全。
麻省理工学院（MIT）研究人员主导的一项大规模建模研究深入探讨了生态驾驶措施的潜力。生态驾驶，简而言之，是一种通过动态调整车辆速度来减少不必要停车和过度加速的策略。这项研究利用强大的深度强化学习人工智能方法，对美国三大主要城市——亚特兰大、旧金山和洛杉矶的交通排放因素进行了全面评估。研究结果令人振奋：全面推行生态驾驶措施，每年可使城市范围内的交叉口碳排放量减少11%至22%。更值得注意的是，即使只有10%的车辆采用生态驾驶技术，也能实现总碳减排量的25%至50%，这充分体现了该策略的巨大影响力。
生态驾驶：从被动等待到主动优化
传统的交通控制措施主要依赖于固定的基础设施，如停车标志和交通信号灯。然而，随着车辆技术的不断进步，特别是自动驾驶和车联网（V2X）技术的兴起，为车辆层面的交通控制——即生态驾驶——提供了前所未有的机遇。在近期，生态驾驶可能以车辆仪表盘或智能手机应用提供的速度引导形式出现，提示驾驶员调整车速以避免在信号灯前停车。从长远来看，生态驾驶将演变为智能速度指令，通过车到基础设施的通信系统直接控制半自动和全自动车辆的加速行为。
此前的研究多集中于“如何”实施生态驾驶的技术细节，而麻省理工学院的研究团队则将视角转向了“是否”应该大规模部署这项技术，以及其规模化应用将带来何种影响。为了回答这一关键问题，研究人员启动了一项耗时近四年的多层面建模研究。他们首先识别出33个影响车辆排放的关键因素，涵盖温度、道路坡度、交叉口拓扑结构、车辆年龄、交通需求、车辆类型、驾驶行为、交通信号配时和道路几何形状等，力求确保分析的全面性与准确性。
研究团队利用OpenStreetMap、美国地质调查局等来源的数据，构建了亚特兰大、旧金山和洛杉矶三座城市中超过6000个信号交叉口的数字副本，并模拟了逾百万种交通场景。这种大规模的数据集构建与场景模拟，为后续的深度强化学习优化奠定了坚实基础。
深度强化学习：解锁交通流的绿色潜力
在该研究中，深度强化学习扮演了核心角色。研究人员利用这种人工智能方法优化每一个交通场景，旨在实现最大的排放效益。强化学习通过与高保真交通模拟器进行试错交互，奖励更节能的车辆行为，同时惩罚效率低下的行为，从而优化车辆的驾驶策略。研究人员将这一问题建模为一个去中心化的协同多智能体控制问题，其中车辆之间协同合作以实现整体能源效率，即使是非参与车辆也能受益。同时，车辆以去中心化的方式运行，避免了昂贵的车际通信需求。
然而，训练出能在各种交叉口交通场景中普遍适用的车辆行为，是一项重大挑战。研究人员观察到，某些场景之间具有更高的相似性，例如具有相同车道数或相同交通信号相位的场景。因此，他们针对不同类型的交通场景集群训练了独立的强化学习模型，这显著提升了整体的排放效益。
尽管人工智能提供了强大的计算能力，但要对城市范围内的交通网络进行全面分析，计算强度依然巨大，可能需要数十年的时间。为此，研究团队采取了巧妙的分解策略，将问题分解为在单个交叉口层面解决每个生态驾驶场景。他们精心限制了单个交叉口生态驾驶控制对邻近交叉口的影响，从而在不引入未知网络效应的前提下，大幅简化了问题，使得如此大规模的分析得以实现。
显著的减排效益与社会影响
分析结果显示，生态驾驶的全面推行可带来11%至22%的交叉口排放量削减。不同城市的街道布局对此效益产生影响：例如，旧金山这样密度更高的城市，交叉口之间的生态驾驶实施空间相对较小，可能导致排放节省略低；而亚特兰大由于限速较高，则可能实现更大的效益。这项研究还发现，即使只有10%的车辆采用生态驾驶，城市也能实现总排放效益的25%至50%。这归因于跟车效应：非生态驾驶车辆会跟随优化的生态驾驶车辆平稳通过交叉口，从而间接减少自身的碳排放。
在某些情况下，生态驾驶甚至可以通过最大程度地减少排放来提高车辆通行量。但研究人员也警示，通行量的增加可能导致更多驾驶员上路，从而抵消部分排放效益。此外，虽然对时间碰撞等安全指标的分析表明生态驾驶与人类驾驶同样安全，但仍需更多研究来全面理解其对人类驾驶员潜在的意外行为影响。
研究结果进一步表明，生态驾驶与现有的交通脱碳方案相结合时，能够产生更大的效益。例如，旧金山20%的生态驾驶采纳率可削减7%的排放，但若与混合动力和电动汽车的预计普及率相结合，则可将排放量削减至17%。弗吉尼亚理工大学的Samuel L. Pritchard工程学教授Hesham Rakha评价称，这项研究是系统量化生态驾驶在网络层面环境效益的首次尝试，将成为未来评估生态驾驶系统的关键参考。
除了碳排放，生态驾驶的效益还与燃料消耗、能源使用和空气质量的改善高度相关。这几乎是一种“免费”的干预措施，因为我们已拥有内置智能手机的汽车，并且带有高级自动化功能的车辆正在迅速普及。对于在实践中快速规模化的技术而言，它必须相对简单易行且具备快速部署的条件，生态驾驶无疑符合这些要求。
这项工作部分由亚马逊和犹他州交通部资助。这标志着智能交通系统在应对气候变化、改善城市环境方面迈出了重要一步，预示着一个更加绿色、高效的城市交通未来。
