基于强化学习的跟车模型可以降低燃料消耗

交通运输业仍然是地球上空气污染和气候变化的主要来源之一，约占石油消耗的59%和二氧化碳排放量的22%。因此，找到限制车辆燃料消耗的有效策略有助于减少污染，同时解决全球能源短缺问题。

香港科技大学的研究人员最近开始使用基于强化学习的计算模型来应对这一挑战。

该模型在预印本服务器arXiv上发布的一篇论文中进行了概述，旨在优化跟车场景中的燃油消耗，特别是在半自动和自动驾驶汽车近距离行驶且需要通过调整速度来保持安全距离的情况下。

“这篇论文的灵感来自于对可持续和节能交通解决方案日益增长的需求，”论文合著者HuiZhong告诉TechXplore。“由于交通拥堵和低效驾驶行为严重影响燃料消耗和排放，我们试图探索缓解这些挑战的方法。”

钟和他的同事最近这项研究的主要目标是开发一种计算模型，以优化跟车场景中的燃油消耗，同时确保汽车之间保持安全距离，交通顺畅。他们开发的模型被称为EcoFollower，基于深度强化学习。

“EcoFollower是一种基于强化学习的跟车模型，旨在优化驾驶过程中的燃油消耗，”钟教授解释道。“该模型不断从环境中学习，调整跟车距离和加速模式，以实现最省油的驾驶行为。EcoFollower的与众不同之处在于它能够平衡燃油效率与保持安全顺畅的交通流量。”

传统的跟车场景下优化车辆运行的模型通常只注重安全性或旨在促进交通高效流动。而EcoFollower模型则旨在降低燃料消耗。

研究人员在一系列测试中评估了他们的模型，并将它应用于下一代模拟(NGSIM)数据集。这是一个开源的交通数据集合，收集自四个不同的地点。该团队的初步测试结果非常令人鼓舞，因为EcoFollower被发现在所有测试场景中都能显著降低燃油消耗。

“我们证明了强化学习可以有效地应用于现实驾驶场景，以降低油耗，”钟说。“我们的实验表明，与实际驾驶场景相比，EcoFollower可以降低10.42%的油耗。这一结果对于减少总体排放和促进可持续交通具有重要意义。”

未来，EcoFollower模型可以集成到高级驾驶辅助系统(ADAS)和自动驾驶系统中，帮助提高其效率并减少对环境的影响。同时，研究人员计划继续研究该模型，以进一步提高其性能。

“虽然它的表现已经优于传统的智能驾驶模式(IDM)，并且与实际驾驶场景相比，油耗降低了10.42%，但还需要更多的场景和数据集来进一步测试和增强其通用性和稳健性，”钟补充道。“例如，在混合自动驾驶交通环境中，人类驾驶车辆的行为与自动驾驶车辆的行为不同，这可能会影响模型的性能。”