Google Maps mogą zaproponować kierowcy trasę, która nie jest najszybszym możliwym wariantem. Nie musi to jednak oznaczać błędu nawigacji. Google przeprowadziło w dziesięciu dużych amerykańskich miastach półroczny eksperyment, w którym część kierowców kierowano na alternatywne drogi. Zmiana objęła mniej niż 2 proc. obserwowanych podróży, ale wystarczyła, by poprawić płynność ruchu na najbardziej zatłoczonych odcinkach.
Przez lata podstawowym zadaniem aplikacji nawigacyjnej było znalezienie możliwie najlepszej trasy dla konkretnego użytkownika. Problem pojawia się wtedy, gdy z tego samego systemu korzystają jednocześnie tysiące albo miliony kierowców. Trasa optymalna z punktu widzenia pojedynczego samochodu może przestać być optymalna, gdy aplikacja skieruje na nią bardzo dużą liczbę pojazdów.
Google Research wraz z naukowcami z University of California, Berkeley i Stanford Graduate School of Business sprawdziło więc w rzeczywistym ruchu drogowym inne podejście. Zamiast maksymalnie skracać przejazd każdego auta oddzielnie, algorytm uwzględniał konsekwencje decyzji nawigacyjnych dla większego fragmentu sieci drogowej.
Eksperyment opisany w czerwcu 2026 r. na łamach „Nature Cities” objął dziesięć dużych miast w Stanach Zjednoczonych. W każdym wybrano około 100 szczególnie zatłoczonych odcinków dróg. Były to przede wszystkim fragmenty charakteryzujące się dużym natężeniem ruchu lub tworzące wąskie gardła.
Mniej niż 2 proc. podróży wystarczyło do zmniejszenia korków
Interwencja była stosunkowo niewielka. Zmodyfikowane rekomendacje tras otrzymało mniej niż 2 proc. obserwowanych podróży w Mapach Google. Kierowców nie wysyłano przy tym przypadkowymi ulicami. System wybierał alternatywne drogi podobnej klasy i o porównywalnym czasie przejazdu.
Badanie trwało sześć miesięcy. W kolejnych okresach włączano i wyłączano zmodyfikowany sposób wyznaczania tras, dzięki czemu naukowcy mogli porównać sytuację przy standardowym działaniu aplikacji z okresem, w którym ruch był częściowo rozpraszany.
Efekty były mierzalne. Mediana wzrostu prędkości na odcinkach bezpośrednio objętych działaniem wyniosła w skali badanych miast około 2 proc. Towarzyszył temu szacowany spadek zużycia paliwa na tych fragmentach dróg o około 0,5–1 proc.
Jeszcze ciekawsze wyniki pojawiały się w niektórych miastach na odcinkach dróg szybkiego ruchu. W Atlancie mediana wzrostu prędkości sięgnęła 3,30 proc., natomiast w Los Angeles 4,56 proc. To właśnie ten ostatni wynik można zaokrąglić do niemal 5 proc. Nie jest jednak prawidłowe przenoszenie go na wszystkie objęte eksperymentem autostrady.
Dłuższa trasa w Google Maps może być korzystniejsza dla całej sieci
Mechanizm jest stosunkowo prosty. Jeżeli bardzo wielu kierowców jednocześnie otrzyma rekomendację przejazdu przez główną arterię, droga może szybko stracić przewagę nad trasami alternatywnymi. Narastający ruch zmniejsza prędkość kolejnych pojazdów, a pierwotnie najszybszy wariant zaczyna się korkować.
W eksperymencie Google część ruchu została więc odsunięta od dróg najbardziej przeciążonych i rozproszona pomiędzy większą liczbę alternatywnych odcinków. Badacze zwracają uwagę, że dodatkowe samochody nie koncentrowały się zazwyczaj na jednej ulicy, lecz były rozdzielane pomiędzy wiele tras.
Dobrze pokazuje to przykład Atlanty. Część przejazdów, które standardowo przebiegały przez mocno obciążony korytarz autostrady I-85, została skierowana między innymi na obwodnicę I-285 i inne dostępne połączenia. Podobne mechanizmy analizowano w przypadku I-5 w Seattle oraz I-290 w Chicago.
Kluczowe jest więc nie samo wysłanie kierowcy „dłuższą drogą”, ale takie rozłożenie ruchu, aby alternatywne ulice miały odpowiedni zapas przepustowości.
Mapy Google nie tylko szukają najszybszej drogi
Badanie pokazuje zmianę sposobu myślenia o nawigacji. W tradycyjnym modelu system próbuje zoptymalizować pojedynczą podróż. W modelu uwzględniającym całą sieć aplikacja może zaakceptować niewielką stratę jednego kierowcy, jeżeli pozwala to uniknąć znacznie większych strat tysięcy pozostałych użytkowników dróg.
Autorzy badania sprawdzili również, czy poprawa sytuacji na wybranych arteriach nie odbyła się kosztem ulic, na które kierowano dodatkowe pojazdy. Po uwzględnieniu wszystkich odcinków, na które eksperyment miał wpływ, efekt pozostał dodatni. Mediana wzrostu prędkości w całej tej grupie wyniosła około 0,35 proc., a w godzinach szczytu około 0,5 proc.
To wartości wyraźnie mniejsze niż wynik osiągnięty na najbardziej zatłoczonych drogach, jednak dotyczą znacznie większego obszaru sieci.
Analiza całych podróży również wykazała poprawę. W przejazdach przebiegających przez odcinki objęte skutkami eksperymentu mediana łącznego czasu podróży spadła w skali miast o 0,69 proc. W poszczególnych metropoliach zmiana mieściła się przeważnie w granicach około 0,5–1 proc.
Google Maps, korki i zużycie paliwa
Zmniejszenie natężenia ruchu na najbardziej obciążonych arteriach ma znaczenie nie tylko z punktu widzenia czasu przejazdu. Google Research zwraca uwagę również na zużycie paliwa i emisje.
Na bezpośrednio objętych interwencją odcinkach modelowany spadek zużycia paliwa wynosił około 0,5–1 proc. Badacze oszacowali ponadto skutki w szerszej skali. W większości analizowanych lokalizacji potencjalne roczne ograniczenie emisji przekraczało 1000 ton ekwiwalentu CO2 na miasto.
Nie oznacza to jednak, że Google wdrożyło już powszechnie mechanizm celowego wydłużania tras wszystkich kierowców. Opublikowane wyniki dotyczą kontrolowanego eksperymentu i pokazują przede wszystkim, że stosunkowo niewielka zmiana decyzji nawigacyjnych może wywołać zauważalny efekt w skali całej sieci drogowej.
Algorytm Google Maps coraz częściej uwzględnia więcej niż czas
Już obecnie wybór trasy w Mapach Google nie sprowadza się wyłącznie do znalezienia matematycznie najkrótszej drogi. System przy ocenie wariantów bierze pod uwagę między innymi przewidywany czas przejazdu, sytuację drogową, opłaty, rodzaj drogi czy preferencje użytkownika.
Google od kilku lat rozwija także rozwiązania uwzględniające efektywność energetyczną. W przypadku dostępności porównywalnych tras aplikacja może przedstawiać wariant korzystniejszy pod względem zużycia paliwa. Firma rozwija równolegle projekt Green Light, wykorzystujący dane o ruchu i sztuczną inteligencję do proponowania miastom zmian w ustawieniach sygnalizacji świetlnej.
Eksperyment z rozpraszaniem ruchu idzie jednak o krok dalej. Nawigacja przestaje w nim działać wyłącznie jako indywidualny doradca kierowcy, a staje się potencjalnym narzędziem wpływającym na zachowanie całej sieci transportowej.
Nie każda nieoczywista trasa zaproponowana przez Google Maps oznacza zatem, że kierowca jest celowo wykorzystywany do rozładowania korka. Badanie dowodzi natomiast, że technicznie taki mechanizm jest możliwy i może przynosić mierzalne efekty nawet wtedy, gdy zmiana rekomendacji dotyczy tylko niewielkiej części wszystkich przejazdów.
Źródła:
- „Nature Cities”, „Urban congestion relief experiments through routing-app interventions”, 16 czerwca 2026 r.
- Google Research, „The power of collaboration: How we can reduce traffic congestion”, 2026 r.
- Institute of Transportation Studies, University of California, Berkeley, „Urban Congestion Relief Experiments Through Routing-app Interventions”
- Google Research, materiały dotyczące modeli wyznaczania tras i zarządzania zatłoczeniem
- Google Green Light
Materiał chroniony prawem autorskim - wszelkie prawa zastrzeżone.
Dalsze rozpowszechnianie artykułu za zgodą wydawcy INFOR PL S.A. Kup licencję.
Wpisz adres e-mail wybranej osoby, a my wyślemy jej bezpłatny dostęp do tego artykułu