Oppiva ajotapa voi lisätä moottoritien välityskykyä ja säästää polttoainetta
On aamu Kehä I:llä. Virta liikkuu reipasta vauhtia, kunnes yksi auto jarruttaa aavistuksen. Seuraava tekee samoin, sitten seuraava. Pienestä nykäyksestä syntyy muutamassa minuutissa laine, joka nielee kaistoja ja hermoja. Kukaan ei tehnyt varsinaisesti väärin, mutta yhteispeli petti.
Liikenteessä on pitkään uskottu kahteen peruslääkkeeseen: leveämpiin teihin ja fiksumpiin autoihin. Ensimmäinen on kallis ja hidas. Toisen on ajateltu olevan lähellä – kunhan automaattiset ajoneuvot alkavat noudattaa sääntöjä moitteetta, ruuhkat hälvenevät ja kulutus laskee. Mutta mitä tapahtuu, kun tällaiset autot sekoitetaan tosielämän liikenteeseen, jossa ihmiset ajavat eri tavoin ja pitävät erilaisia turvavälejä?
Tuore simulaatiotutkimus antaa tähän ensimmäisiä, koko liikennevirtaa koskevia vastauksia. Siinä hyödynnettiin ajotapaa, joka ei nojaa kiinteisiin peukalosääntöihin, vaan oppii kokeilemalla, mitä kannattaa tehdä missäkin tilanteessa. Oppiminen perustui todellisesta moottoriliikenteestä kerättyihin aineistoihin Yhdysvalloista. Tavoite oli arkinen: ajaa sujuvasti ihmisten keskellä – turvallisesti, mutta turhia nykäyksiä ja polttoainesyöppöjä kiihdytyksiä välttäen.
Vastakkain on kaksi ajattelutapaa. Perinteiset mallit kuvaavat kuljettajaa kaavamaisesti: miten auto kiihdyttää, millaisen välin se pitää edellä ajavaan ja milloin se jarruttaa. Ne ovat hyödyllisiä ja läpinäkyviä, mutta vaikeita virittää sellaisiksi, että ne toimivat yhtä hyvin kaikkialla – ja ne eivät yleensä huomioi polttoainetehokkuutta. Uudempi lähestymistapa antaa ohjelmistolle tavoitteen (pidä matka sujuvana ja turvallisena, säästä polttoainetta) ja opettaa sen toimimaan yrityksen ja erehdyksen kautta monenlaisissa tilanteissa. Kysymys kuuluu: näkyykö tällainen oppiminen myös isossa kuvassa, koko tien kapasiteetissa?
Tutkimuksessa vastausta etsittiin piirtämällä yksinkertainen kokonaiskuva liikenteestä: kuinka monta autoa tiejakso nielee tunnissa eri tilanteissa, kun autojen välit ovat milloin tiiviimpiä, milloin väljempiä ja kun osalla autoista on oppiva ajotapa. Lisäksi verrattiin, paljonko polttoainetta kuluu keskimäärin verrattuna laajasti käytettyyn, sääntöihin perustuvaan malliin.
Tulokset olivat maltillisen myönteisiä. Kun liikenne siirtyi ajateltuna ääripäänä kokonaan ihmisistä kokonaan oppiviin kuljettajiin, tien välityskyky kasvoi noin 7,5 prosenttia. Se ei mullista maailmaa, mutta tarkoittaa, että samalla infralla pääsee läpi selvästi useampi auto tunnissa. Myös polttoainetta säästyi: keskimääräinen kulutus pieneni oppivan ajotavan myötä arviolta 29 prosenttia silloin, kun nopeus oli yli 50 kilometriä tunnissa. Hitaammassa liikenteessä säästö oli vaatimattomampi, vajaat kaksi prosenttia. Tutkijoiden mukaan turvallisuudesta ei tarvinnut tinkiä: parannukset eivät tulleet riskin kustannuksella.
Yksi arkinen esimerkki auttaa ymmärtämään, mistä on kyse. Ajatellaan moottoritietä, jolla osa kuljettajista pitää 1,5 sekunnin turvavälin ja osa 2,5 sekunnin. Jos välin vaihtelu on suurta, virta käy epätasaiseksi: tiiviit jonot törmäävät väljempien pätkien perään, jarrutukset ketjuuntuvat ja kapasiteetti kärsii. Oppiva ajotapa pyrkii ennakoimaan tällaisia tilanteita ja tasoittamaan omaa kulkuaan niin, että koko virta nykisi vähemmän. Tutkimus osoittaa, että juuri turvavälien jakauma – eivät vain niiden keskiarvot – vaikuttaa siihen, kuinka paljon hyötyä oppivista autoista saadaan.
Tärkeä havainto on myös se, ettei vaikutus ole yksioikoinen. Tulokset vaihtelivat sen mukaan, kuinka suuri osa liikenteestä oli oppivia autoja ja millaisia ihmiskuljettajat olivat. Siirtymä täysin ihmiskuljettajista täysin oppiviin toi mainitun 7,5 prosentin kapasiteettilisän, mutta tosielämä on pitkään välitilassa. Se, millainen sekoitus tuottaa suurimman hyödyn, ei vielä selviä yksiselitteisesti – ja voi riippua tieosuudesta, nopeusrajoituksesta ja vaikkapa säästä.
On myös rajoituksia, jotka kannattaa lukea huolella. Kaikki perustui simulaatioon moottoritietilanteissa ja yhteen tunnettuun, Yhdysvalloista kerättyyn aineistoon. Kaupunkiliikenne, risteykset, pyöräilijät ja jalankulkijat jäivät ulkopuolelle. Polttoainetehokkuus arvioitiin liikenteen kulun perusteella, ei oikeissa autoissa mitatuilla moottoridatoilla. Lisäksi tutkimus vertasi kulutusta oppivan ajotavan ja yhden sääntöpohjaisen mallin välillä – jos vertailukohta tai oppimistapa vaihtuu, tuloskin voi muuttua. Lopulta ohjelmisto oppii siitä aineistosta, jota sille annetaan: jos ihmisten ajotavat muuttuvat tai data on vinoa, myös opittu taktiikka voi mennä hakoteille.
Silti suunta on kiinnostava. Muutama prosentti lisää välityskykyä ja selvästi vähemmän kulutusta moottoritievauhdeissa ovat julkisen talouden ja ilmastotavoitteiden kannalta isoja, jos ne toistuvat käytännössä. Niiden arvo syntyy pienistä arjen parannuksista: vähemmän turhia jarrutuksia, rauhallisempi kiihdytys, tasaisempi virta.
Yksi kysymys jää ilmaan: kuinka pieni osuus oppivia autoja riittää, että hyöty näkyy toden teolla arkisessa sekoituksessa – ja miten ne tulisi opettaa, jotta ne pelaavat yhteen meidän epätäydellisten ihmisten kanssa parhaalla mahdollisella tavalla?
Paper: https://arxiv.org/abs/2603.25328v1
Register: https://www.AiFeta.com
liikenne automaattiautot tekoaly ilmasto data
