本研究探讨将Safe Off-policy Model-Based Reinforcement Learning算法应用于连接的自动化混合动力车辆的生态驾驶问题。结果表明，在模拟实验中，该算法表现出更高的平均速度和更好的节能效果，与基线控制器相比，其减少了超过21%的燃料消耗，同时保持了可比的平均速度。

May, 2021

本文提出一种基于强化学习的环保行车控制策略，通过对不同交通场景的模拟比较，在全自动驾驶交通方式下可将燃油消耗降低18%, CO2排放降低25%，同时提高20%的车速，并且即使只有25%的自动驾驶汽车，也能带来至少50%的燃油和排放降低效益

Apr, 2022

本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于SUMO软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

Jun, 2022

提出一种合作的多目标架构MOMA-DDPG来优化交通信号控制，包含两种类型的代理人，一个代理人关注于优化本地交通，而另一个代理人旨在优化全局交通吞吐量，实验结果表明该方法优于现有的方法，可以最小化等待时间和碳排放。

Jun, 2023

该研究报告介绍了一种名为EcoLight的奖励塑造方案，用于强化学习算法中，既可以减少二氧化碳排放，又可以在诸如旅行时间之类的指标上获得具有竞争力的结果。该研究比较了采用表格型Q学习、DQN、SARSA和A2C算法的性能，使用的指标包括旅行时间、二氧化碳排放、等待时间和停车时间，考虑了多种道路使用者（卡车、公交车、汽车）和不同污染水平的多个场景。

Oct, 2023

通过研究，我们发现采用机器人车辆（RV）在无信号控制的交叉口上实施交通控制策略可以显著减少排放，当RV的渗透率达到10%时，与有信号控制的交叉口相比，燃油消耗和NOx排放分别减少了最多27%和28%。当RV的渗透率达到30%时，CO和HC排放分别减少了最多42%和43%，此外，即使只在交叉口采用策略，RV也可以降低整个网络的排放。

Nov, 2023

为了解为什么城市中心和郊区居民的出行行为不同，以可持续的城市规划为主旨。特别是在城市迅速增长的背景下，识别能够减少出行需求和CO2排放的住房位置对于缓解气候变化至关重要。尽管建筑环境起着重要作用，但对于出行行为的精确影响却被居民自我选择所掩盖。为了解决这个问题，我们提出了一种双重机器学习方法，通过控制居民自我选择，可以获得每个社区建筑环境对出行相关CO2排放的无偏空间显性估计。我们还研究了社会人口统计特征和与出行相关的态度如何调节这种影响，并对其在建筑环境的5个维度上进行了分解。基于柏林的实地案例研究和3.2万名居民的出行日记，我们发现建筑环境导致了柏林市中心和郊区社区之间家庭出行CO2排放几乎相差两倍。为了突出城市气候减缓的实际重要性，我们评估了64,000套新住宅单元的当前计划对总体诱导交通CO2排放的影响。我们的研究结果强调了在建筑发展方面空间差异化紧凑型发展的重要性，以减少运输领域的碳排放。

Dec, 2023

利用人工智能的强大模式识别能力，通过整合代表交通需求和路网数据的开放数据源构建了一种用于公路碳排放估计的层次异构图学习方法(HENCE)，在两个大规模真实世界数据集上的广泛实验验证了该方法的有效性和优越性，验证了其在推动人工智能应用于碳排放管理和可持续发展方面的成功。

Feb, 2024

该研究通过广泛的文献综述，分析了影响能源消耗的驾驶行为因素和最先进的方法，并给出了包括能源高效驾驶风格特征、推荐的九种能源高效驾驶风格以及为不同类型的驾驶员和雇主提供的两个主观建议。

Mar, 2024

我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统，并通过对比它们的性能发现，强化学习并没有明显优势，尤其是在高交通量或低连接车辆渗透率下。

May, 2024