doi.org/10.48550/arXiv.2408.03950
Credibilidade: 888
#Autônomo
O setor de transporte ainda está entre as principais fontes de poluição do ar e mudanças climáticas na Terra, respondendo por aproximadamente 59% do consumo de petróleo e 22% das emissões de CO2. Identificar estratégias eficazes para limitar o combustível consumido pelos veículos pode, portanto, contribuir para reduzir a poluição e, ao mesmo tempo, abordar a escassez global de energia.
Pesquisadores da Universidade de Ciência e Tecnologia de Hong Kong recentemente se propuseram enfrentando esse desafio usando um modelo computacional baseado em aprendizado por reforço.
Este modelo, descrito em um artigo publicado no servidor de pré-impressão arXiv, foi projetado para otimizar o consumo de combustível em cenários de acompanhamento de carros, especificamente em situações em que veículos semiautomáticos e autônomos estão dirigindo próximos e precisam manter uma distância segura um do outro ajustando sua velocidade.
“A inspiração para este artigo surgiu da crescente demanda por soluções de transporte sustentáveis “”e com eficiência energética”, disse Hui Zhong, coautor do artigo, à Tech Xplore. “Com o congestionamento do tráfego e os comportamentos de direção ineficientes contribuindo significativamente para o consumo de combustível e as emissões, buscamos explorar maneiras de mitigar esses desafios.”
O principal objetivo deste trabalho recente de Zhong e seus colegas foi desenvolver um modelo computacional que otimizaria o consumo de combustível em cenários de acompanhamento de carros, ao mesmo tempo em que garantiria que os carros mantivessem uma distância segura uns dos outros e o tráfego fluísse de forma eficiente. O modelo que eles desenvolveram, chamado EcoFollower, é baseado em aprendizado de reforço profundo.
“O EcoFollower é um modelo de acompanhamento de carros baseado em aprendizado por reforço, projetado para otimizar o consumo de combustível durante a condução”, explicou Zhong. “O modelo aprende continuamente com seu ambiente, ajustando distâncias de acompanhamento e padrões de aceleração para atingir o comportamento de direção mais econômico. O que diferencia o EcoFollower é sua capacidade de equilibrar a eficiência de combustível com a manutenção de um fluxo de tráfego seguro e suave.”
Modelos convencionais para otimizar a operação de veículos em cenários de acompanhamento de carros normalmente focam apenas na segurança ou visam facilitar o fluxo eficiente do tráfego. O modelo EcoFollower, por outro lado, é projetado para também reduzir o consumo de combustível.
Os pesquisadores avaliaram seu modelo em uma série de testes onde o aplicaram ao conjunto de dados Next Generation Simulation (NGSIM). Esta é uma coleção de código aberto de dados de tráfego coletados em quatro locais diferentes. Os resultados dos testes iniciais da equipe foram altamente promissores, pois o EcoFollower reduziu significativamente o consumo de combustível em todos os cenários em que foi testado.
“Demonstramos que o aprendizado por reforço pode ser efetivamente aplicado a cenários de direção do mundo real para reduzir o consumo de combustível”, disse Zhong. “Nossos experimentos mostraram que o EcoFollower pode reduzir o consumo de combustível em 10,42% em comparação com cenários de direção reais. Este resultado tem implicações significativas para reduzir as emissões gerais e promover o transporte sustentável.”
No futuro, o modelo EcoFollower pode ser integrado a sistemas avançados de assistência ao motorista (ADAS) e sistemas de direção autônoma, ajudando a aumentar sua eficiência e reduzir seu impacto ambiental. Enquanto isso, os pesquisadores planejam continuar trabalhando no modelo para melhorar ainda mais seu desempenho.
“Embora ele já tenha um desempenho melhor do que o Modo Inteligente do Motorista (IDM) tradicional e reduza o consumo de combustível em 10,42% em comparação com cenários de direção reais, mais cenários e conjuntos de dados são necessários para testar e aprimorar ainda mais sua generalização e robustez”, acrescentou Zhong. “Por exemplo, em um ambiente de tráfego de autonomia mista, o comportamento de veículos conduzidos por humanos difere daquele de veículos autônomos, o que pode impactar o desempenho do modelo.”
Publicado em 08/09/2024 12h22
Artigo original:
Estudo original: