交通运输业仍然是全球空气污染和气候变化的主要来源之一，约占石油消耗量的59%和二氧化碳排放量的22%。因此，找到有效的策略来减少车辆的燃油消耗，不仅有助于减少污染，还能缓解全球能源短缺问题。
据外媒报道，香港科技大学（The Hong Kong University of Science and Technology）的研究人员最近开始利用基于强化学习的计算模型来应对这一挑战。研究人员在arXiv预印本服务器上发布的一篇论文中概述了这一模型，该模型旨在优化跟车场景中的油耗，特别是在半自动和自动驾驶汽车近距离行驶并需要通过调整车速来保持安全距离的情况下。
图片来源：arXiv
该论文的共同作者Hui Zhong表示：“这篇论文的灵感来自对可持续和节能交通解决方案日益增长的需求。由于交通拥堵和低效驾驶行为大大增加了燃油消耗和排放，我们正在探索缓解这些挑战的方法。”
Zhong及其同事研究的主要目标是开发一种计算模型，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和交通顺畅。这一基于深度强化学习的新模型名为EcoFollower。
Zhong解释道：“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油耗。该模型能不断从环境中学习，调整跟车距离和加速模式，以实现最省油的驾驶行为。EcoFollower的独特之处在于它能够在燃油效率和保持安全顺畅的交通流之间取得平衡。”
传统的跟车场景优化模型通常只关注安全性，或仅以促进交通的有效流动为目标。而EcoFollower模型的设计则兼顾了降低油耗。
研究人员在一系列测试中对其模型进行了评估，并将其应用于下一代仿真（NGSIM）数据集。这是在四个不同地点收集的交通数据的开源集合。初步测试结果显示，EcoFollower在所有测试场景中都能显著降低燃油消耗。
Zhong表示：“我们证明了强化学习可以有效地应用于现实世界的驾驶场景，从而降低油耗。我们的实验表明，与实际驾驶情景相比，EcoFollower可以降低10.42%的油耗。这一结果对减少总体排放和促进可持续交通具有重大意义。”
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。
Zhong补充道：“虽然该模型的性能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鲁棒性。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有所不同，这可能会影响模型的性能。”
