ترجمه فارسی مقاله کاهش انتشار کربن در کلان‌شهرها با رانندگی پویا و سازگار با محیط زیست در مقیاس بزرگ

چکیده

The sheer scale and diversity of transportation make it a formidable sector to decarbonize. Here, we consider an emerging opportunity to reduce carbon emissions: the growing adoption of semi-autonomous vehicles, which can be programmed to mitigate stop-and-go traffic through intelligent speed commands and, thus, reduce emissions. But would such dynamic eco-driving move the needle on climate change? A comprehensive impact analysis has been out of reach due to the vast array of traffic scenarios and the complexity of vehicle emissions. We address this challenge with large-scale scenario modeling efforts and by using multi-task deep reinforcement learning with a carefully designed network decomposition strategy. We perform an in-depth prospective impact assessment of dynamic eco-driving at 6,011 signalized intersections across three major US metropolitan cities, simulating a million traffic scenarios. Overall, we find that vehicle trajectories optimized for emissions can cut city-wide intersection carbon emissions by 11-22%, without harming throughput or safety, and with reasonable assumptions, equivalent to the national emissions of Israel and Nigeria, respectively. We find that 10% eco-driving adoption yields 25%-50% of the total reduction, and nearly 70% of the benefits come from 20% of intersections, suggesting near-term implementation pathways. However, the composition of this high-impact subset of intersections varies considerably across different adoption levels, with minimal overlap, calling for careful strategic planning for eco-driving deployments. Moreover, the impact of eco-driving, when considered jointly with projections of vehicle electrification and hybrid vehicle adoption remains significant. More broadly, this work paves the way for large-scale analysis of traffic externalities, such as time, safety, and air quality, and the potential impact of solution strategies.

چکیده به فارسی (ترجمه ماشینی)

مقیاس کامل و تنوع حمل و نقل ، آن را به یک بخش برجسته برای دکربن سازی تبدیل می کند.در اینجا ، ما فرصتی نوظهور برای کاهش انتشار کربن را در نظر می گیریم: اتخاذ رو به رشد وسایل نقلیه نیمه خودمختار ، که می تواند برای کاهش ترافیک توقف و رفتن از طریق دستورات سرعت هوشمند و در نتیجه کاهش انتشار گازهای گلخانه ای برنامه ریزی شود.اما آیا چنین رانندگی پویا سوزن سوزن را بر روی تغییرات آب و هوایی سوق می دهد؟به دلیل طیف گسترده ای از سناریوهای ترافیک و پیچیدگی انتشار وسایل نقلیه ، تجزیه و تحلیل تأثیر جامع از دسترس خارج شده است.ما این چالش را با تلاش های مدل سازی سناریوی در مقیاس بزرگ و با استفاده از یادگیری تقویت عمیق چند کاره با یک استراتژی تجزیه شبکه با دقت طراحی شده ، می پردازیم.ما یک ارزیابی تأثیر عمیق آینده نگر از اکو رانندگی پویا را در 6،011 تقاطع سیگنال شده در سه شهر بزرگ کلانشهر ایالات متحده انجام می دهیم و یک میلیون سناریو ترافیک را شبیه سازی می کنیم.به طور کلی ، ما می دانیم که مسیرهای وسیله نقلیه بهینه شده برای انتشار گازهای گلخانه ای می توانند انتشار کربن در سطح شهر را 11-22 ٪ ، بدون آسیب رساندن به توان یا ایمنی و با فرضیات معقول ، معادل انتشار ملی اسرائیل و نیجریه کاهش دهند.ما می دانیم که 10 ٪ پذیرش اکو رانندگی 25 ٪ -50 ٪ از کل کاهش می یابد و نزدیک به 70 ٪ از مزایا از 20 ٪ تقاطع ها حاصل می شود ، که مسیرهای اجرای نزدیک را نشان می دهد.با این حال ، ترکیب این زیر مجموعه با تأثیر بالا از تقاطع ها به طور قابل توجهی در سطوح مختلف پذیرش متفاوت است ، با حداقل همپوشانی ، خواستار برنامه ریزی دقیق استراتژیک برای استقرار اکو رانندگی است.علاوه بر این ، تأثیر رانندگی با محیط زیست ، هنگامی که به طور مشترک با پیش بینی برق وسیله نقلیه و پذیرش وسایل نقلیه ترکیبی در نظر گرفته می شود ، قابل توجه است.به طور گسترده تر ، این کار راه را برای تجزیه و تحلیل در مقیاس بزرگ از بیرونی های ترافیکی ، مانند زمان ، ایمنی و کیفیت هوا و تأثیر بالقوه استراتژی های راه حل ، هموار می کند.