城市与机器学习社区之间的协作对高效的自动驾驶车辆路由至关重要
多智能体系统
2025-06-17 v2 机器学习
机器人学
摘要
自动驾驶车辆可能使用多智能体强化学习进行同步路径优化，但这可能会破坏交通网络的稳定性，导致人类驾驶员可能经历更长的出行时间。我们通过模拟人类驾驶员和自动驾驶车辆来研究这种交互。我们使用标准 MARL 算法进行的实验表明，无论是在简化网络还是复杂网络中，策略通常无法收敛到最优解，或者需要很长的训练周期。由于我们无法依赖完全模拟的训练，因为不存在准确的人类路由行为模型，这一问题被进一步放大。同时，在城市中进行真实世界训练会冒着破坏城市交通系统稳定性的风险，增加诸如 排放等外部性，并随着人类驾驶员对自动驾驶车辆行为的不可预测适应而引入非平稳性。在这篇立场文章中，我们认为城市当局必须与机器学习社区合作，以监督并批判性评估汽车公司提出的路由算法，从而推动公平且系统高效的路由算法与监管标准。
引用
@article{arxiv.2502.13188,
title = {Collaboration Between the City and Machine Learning Community is Crucial to Efficient Autonomous Vehicles Routing},
author = {Anastasia Psarou and Ahmet Onur Akman and Łukasz Gorczyca and Michał Hoffmann and Grzegorz Jamróz and Rafał Kucharski},
journal= {arXiv preprint arXiv:2502.13188},
year = {2025}
}