AI交通革命！「交叉口動物園」助自駕車節能減碳

都會區開車最令人頭痛的，莫過於不斷停停走走的交通狀況。紅綠燈變換、車輛匯流與轉向，這些頻繁的加減速不僅降低行車效率，更大幅增加每公里行駛所排放的溫室氣體。

為解決此問題，MIT研究團隊開發出「生態駕駛」技術，可安裝於自駕車控制系統中提升能源效率。但這項技術究竟能帶來多大效益？投入研發是否值得？這些複雜的最佳化問題長期困擾著研究者，因為涉及眾多變數：各類車種、車速、天候、路況，以及交通號誌時相等。

「我們一直在思考：自駕車能否為減排盡份心力？」MIT土木環境工程系副教授Cathy Wu表示。為釐清這個系統性問題，團隊必須整合多後設資料：城市交叉口地圖、地質調查局的道路坡度資料、溫濕度紀錄，以及車輛型別與燃料組合等資訊。

生態駕駛的核心概念是透過微調駕駛行為節省燃料。Wu解釋：「與其加速衝向紅燈，不如提前滑行。」這種節能方式甚至能產生漣漪效應——當首輛自駕車減速，後方傳統車輛也會跟進，放大減排效益。

為評估這類技術的實際影響，研究團隊開發出「交叉口動物園」基準系統。這套工具在2025年新加坡國際學習表徵會議上發表，專門用於解決多智慧體深度強化學習（DRL）缺乏評估標準的困境。

Wu指出關鍵發現：現有DRL演演算法在特定交叉口訓練後，即使微調引數（如增設腳踏車道或變更號誌時相），也難以維持效能。這種「泛化能力不足」的問題其實普遍存在於演演算法設計領域，但因多數基準測試不涉及引數調整，使改進評估更加困難。

「交叉口動物園」收錄百萬組真實交通情境，獨特之處在於能全面檢驗DRL演演算法的適應力。團隊將運用此工具持續研究：當不同比例的自駕車採用生態駕駛時，對城市排放的具體影響。

不過Wu強調：「這項研究的主要目標並非大規模部署生態駕駛，而是開發通用型DRL演演算法。」這些演演算法不僅適用交通管理，還能拓展至自動駕駛、電玩AI、安防系統、機器人學與倉儲物流等領域。

目前「交叉口動物園」及其使用說明已開源發布於GitHub，供全球研究人員免費取用。這項突破性工具可望加速AI在複雜系統中的學習效能，為智慧交通開創新局。

[end]