交通運輸部門仍然是地球上空氣污染和氣候變化的主要來源之一，約占石油消耗量的59%和二氧化碳排放量的22%。因此，確定限制車輛燃油消耗的有效策略可以幫助減少污染，同時解決全球能源短缺問題。
香港科技大學的研究人員最近開始使用基於強化學習的計算模型來應對這一挑戰。
該模型在預印本伺服器arXiv上發表的一篇論文中概述，旨在優化跟車場景中的燃油消耗，特別是當半自動和自動車輛彼此靠近行駛並且需要保持安全距離時。通過調整速度。
該論文的合著者惠忠告訴Tech Xplore：「本文的靈感來自於對可持續和節能交通解決方案日益增長的需求。」「隨著交通擁堵和低效駕駛行為顯著增加燃油消耗和排放，我們尋求探索緩解這些挑戰的方法。"
鍾和他的同事最近工作的主要目標是開發一種計算模型，該模型可以優化跟車場景中的燃油消耗，同時確保汽車之間的安全距離並確保高效的交通流量。他們開發的模型名為EcoFollower，基於深度強化學習。
「EcoFollower是一個基於強化學習的後續模型，旨在優化駕駛過程中的燃油消耗。」鍾解釋道。「該模型不斷從環境中學習，調整跟隨距離和加速模式，以實現最省油的駕駛行為。EcoFollower的獨特之處在於它能夠在燃油效率和維持安全流暢的交通之間取得平衡。"
在跟車場景中優化車輛運動的傳統模型通常只關注安全性或旨在促進交通的有效流動。另一方面，EcoFollower車型也旨在降低油耗。
研究人員通過一系列測試評估了他們的模型，並將其應用於下一代模擬（NGSIM）數據集。這是在四個不同地點收集的交通數據的開源集合。該團隊的初步測試結果非常有希望，因為EcoFollower在所有測試場景中顯著降低了燃油消耗。
「我們已經證明，強化學習可以有效應用於現實世界的駕駛場景，以減少燃油消耗，」鍾說。「我們的實驗表明，與實際駕駛場景相比，EcoFollower可以將油耗降低10.42%。這一結果對於減少總體排放和促進可持續交通非常重要。"
未來，EcoFollower模型可以集成到高級駕駛員輔助系統（ADAS）和自動駕駛系統中，幫助提高效率並減少對環境的影響。與此同時，研究人員計劃繼續研究該模型，以進一步提高其性能。
「儘管它的性能已經優於傳統智能駕駛模式（IDM），並且與實際駕駛場景相比將油耗降低了10.42%，但還需要更多場景和數據集來進一步測試和增強其通用性和穩健性。」鍾補充道。「例如，在混合自主交通環境中，人類駕駛車輛的行為與自動駕駛車輛的行為不同，這可能會影響模型的性能。"
欲了解更多內容，可以點擊視頻下方的連結
感謝您觀看此視頻。如果您喜歡，請訂閱並點讚。謝謝
原文：https://techxplore.com/news/2024-09-car-based-fuel-consumption.html
更多信息：惠忠等人，EcoFollower：考慮油耗的環保汽車後續模型，arXiv（2024）。DOI：10.48550/arxiv.2408.03950
期刊信息：arXiv
輸油管：
