Транспортный сектор по-прежнему остается одним из основных источников загрязнения воздуха и изменения климата на Земле, на него приходится около 59% потребления нефти и 22% выбросов CO 2. Таким образом, выявление эффективных стратегий по ограничению потребления топлива транспортными средствами может способствовать снижению загрязнения, а также решению проблемы глобального дефицита энергии.
Исследователи из Гонконгского университета науки и технологий недавно приступили к решению этой проблемы, используя вычислительную модель на основе обучения с подкреплением .
Эта модель, изложенная в статье , размещенной на сервере препринтов arXiv , предназначена для оптимизации расхода топлива в сценариях следования за автомобилем, особенно в ситуациях, когда полуавтоматические и автономные транспортные средства движутся близко друг к другу и должны поддерживать безопасную дистанцию друг от друга, регулируя свою скорость.
«Вдохновение для этой статьи возникло из-за растущего спроса на устойчивые и энергоэффективные транспортные решения», — рассказал Хуэй Чжун, соавтор статьи, Tech Xplore. «Поскольку пробки на дорогах и неэффективное поведение водителей значительно способствуют расходу топлива и выбросам, мы стремились изучить способы смягчения этих проблем».
Основная цель этой недавней работы Чжуна и его коллег заключалась в разработке вычислительной модели, которая оптимизировала бы расход топлива в сценариях следования за автомобилем, гарантируя при этом, что автомобили сохранят безопасную дистанцию друг от друга и транспортные потоки будут эффективными. Разработанная ими модель, названная EcoFollower, основана на глубоком обучении с подкреплением.
«EcoFollower — это модель следования за автомобилем, основанная на обучении с подкреплением, разработанная для оптимизации расхода топлива во время вождения», — пояснил Чжун. «Модель непрерывно учится на окружающей среде, корректируя дистанции следования и схемы ускорения для достижения наиболее экономичного поведения вождения. EcoFollower отличается своей способностью сбалансировать топливную экономичность с поддержанием безопасного и плавного движения».
Традиционные модели для оптимизации работы транспортных средств в сценариях следования за автомобилем обычно фокусируются только на безопасности или стремятся содействовать эффективному потоку движения. Модель EcoFollower, с другой стороны, разработана также для снижения расхода топлива.
Исследователи оценили свою модель в серии тестов, применив ее к набору данных Next Generation Simulation (NGSIM). Это коллекция данных о дорожном движении с открытым исходным кодом, собранных в четырех разных местах. Результаты первоначальных тестов команды были весьма многообещающими, поскольку было обнаружено, что EcoFollower значительно снижает расход топлива во всех сценариях, в которых он был протестирован.
«Мы продемонстрировали, что обучение с подкреплением может эффективно применяться в реальных сценариях вождения для снижения расхода топлива», — сказал Чжун. «Наши эксперименты показали, что EcoFollower может снизить расход топлива на 10,42% по сравнению с реальными сценариями вождения. Этот результат имеет значительные последствия для сокращения общих выбросов и продвижения устойчивой транспортировки».
В будущем модель EcoFollower может быть интегрирована в усовершенствованные системы помощи водителю (ADAS) и системы автономного вождения, помогая повысить их эффективность и снизить их воздействие на окружающую среду. Между тем, исследователи планируют продолжить работу над моделью для дальнейшего улучшения ее производительности.
«Хотя он уже работает лучше, чем традиционный режим интеллектуального водителя (IDM), и снижает расход топлива на 10,42% по сравнению с реальными сценариями вождения, для дальнейшего тестирования и повышения его обобщенности и надежности необходимы дополнительные сценарии и наборы данных», — добавил Чжун. «Например, в условиях смешанного автономного движения поведение транспортных средств, управляемых человеком, отличается от поведения беспилотных автомобилей, что может повлиять на производительность модели».