通过大规模动态生态驾驶缓解城市碳排放

交通领域的规模和多样性使其成为脱碳的艰巨领域。在此，我们考虑一个减少碳排放的新兴机遇：半自主车辆的日益普及，这些车辆可通过智能速度指令缓解走走停停的交通，从而减少排放。但这种动态生态驾驶是否会对气候变化产生影响？由于交通场景的多样性和车辆排放的复杂性，全面影响分析一直难以实现。我们通过大规模场景建模工作，并利用精心设计的网络分解策略的多任务深度强化学习来解决这一挑战。我们对三个主要美国城市的 6,011 个信号化交叉口进行了动态生态驾驶的深入前瞻性影响评估，模拟了一百万种交通场景。总体而言，我们发现针对排放优化的车辆轨迹可将城市范围的交叉口碳排放降低 11-22%，同时不损害通行能力或安全性，在合理假设下，分别相当于以色列和尼日利亚的全国排放量。我们发现 10% 的生态驾驶采用率可产生 25%-50% 的总减排量，近 70% 的收益来自 20% 的交叉口，表明近期实施路径。然而，这一高影响交叉口子集的构成在不同采用水平下差异显著，重叠极少，需要对生态驾驶部署进行谨慎的战略规划。此外，当将生态驾驶的影响与车辆电气化和混合动力汽车采用的预测一并考虑时，其影响仍然显著。更广泛地说，这项工作为交通外部性（如时间、安全性和空气质量）的大规模分析以及解决方案策略的潜在影响铺平了道路。