自動車走行の効率化を目指す新しいツール 大都市での運転は、信号による頻繁な停止と再発進、そして自動車とトラックが交差したり駐車したりすることで特徴付けられています。この「ストップ・アンド・ゴー」は非効率的で、1マイル当たりの排出される大気汚染物質や温室効果ガスの量を大幅に増加させます。これを解決する方法として注目されているのが「エコドライビング」システムです。このシステムは自律型車両に導入され、燃料消費を最小限に抑えることで効率を向上させます。 MITの土木環境工学科とデータシステム社会研究所（IDSS）の准教授であり、情報意思決定ラボの主任研究員であるCathy Wu氏は数年前から、「自律型車両が都市における排出削減に貢献できるのか」という вопросに興味を持っていました。「その影響は微々たるものなのか、それとも真剣に検討すべきほど大きいか？」彼女は疑問を持っていました。 エコドライビングは、不要な燃料消費を最小限に抑えられる微調整を行うことで知られています。例えば、赤信号が点灯している交差点に近づくとき、「できるだけ早く赤信号まで加速する必要はありません」とWu氏は説明します。「惰性で走行すれば、その間ガソリンや電力を消費することはありません」。自律型車両が交差点に近づく時に速度を落とすと、その後ろを走る普通の車両も速度を落とすため、効率的な運転の影響は単独の車両だけでなく周囲にも広がります。 エコドライビングの影響を評価するためには、多くの要素を最適化する必要があります。これは、多様な車両タイプや年式、道路の傾斜、気候条件など、多くの因子が絡み合う難解な問題です。AIを使って複雑な制御問題を解決しようとする波が現在起きています。 Wu氏とその研究チームが開発した新しい基準システム「IntersectionZoo」は、このような多因子問題を扱う深層強化学習（Deep Reinforcement Learning, DRL）の評価手法を標準化し、アルゴリズムの汎化性を高めるために設計されました。IntersectionZooは100万を超えるデータ駆動型の交通状況シナリオを含んでおり、DRLアルゴリズムの評価方法を豊かにする上で重要な役割を果たしています。この基準は、特定の状況で訓練されたアルゴリズムが小さな変更（自転車レーンの追加、信号のタイミング変更など）に対しても安定した性能を保つことができるかどうかを評価するために特によく適しています。 研究は、自律型車両が都市交通においてどの程度エコ드ライビングの影響を与えるかを調査することを焦点に置いています。しかし、プロジェクトの主な目標は、特定のアプリケーションへの適用ではなく、自律走行、ビデオゲーム、セキュリティ、ロボティクス、倉庫管理、古典的な制御問題など、幅広い用途に応用可能な汎用のDRLアルゴリズムの開発を支援することです。 「IntersectionZooは、研究者が利用できるオープンなツールを目指しています」とWu氏は述べています。このシステムはGitHubで公開されており、自由にダウンロードして使用できます。 本論文の執筆には、MIT電気工学・コンピュータサイエンス科の修士課程学生Vindula Jayawardana、ETHチューリッヒの修士課程学生Baptiste Freydt、および交通工程学の修士課程学生Ao Qu、IDSSの修士課程学生Cameron Hickert、博士号取得者のZhongxia Yan PhD ’24が参加しています。 業界関係者は、IntersectionZooがDRLアルゴリズムの性能評価をより実践的な視点で行うことを期待しています。これにより、都市交通の問題だけでなく、多くの他の制御問題においてもアルゴリズムの汎化性が向上することが見込まれています。MITでは、自律型車両の研究を通じて、将来の持続可能な都市交通システムの実現に向けて取り組みを進めています。