通过多主体强化学习实现停顿波动消除的合作驾驶策略
物理与社会
2025-11-19 v1
摘要
交通流中的停顿波动持续存在，威胁交通安全、效率及环境可持续性。本文通过在模拟环形道路环境中训练多主体深度强化学习（DRL）智能体，发现一种新颖的消除策略。智能体自主发展出合作驾驶政策：大多数车辆维持最小车头距以最大化吞吐量，而单个“缓冲”车辆采用更大车头距以吸收扰动并防止波动传播。该策略在不牺牲总体流量的前提下提升了稳定性。我们进一步展示，将该合作策略适用于经典车跟模型（如 Intelligent Driver Model, IDM），可获得更好的稳定性和交通效率。此外，我们在参数化线性框架下表明，该合作策略可在稳定性约束下优化系统性能。我们的发现为未来的自动驾驶车辆系统和公路管理提供了具有前景的启示。
引用
@article{arxiv.2511.14378,
title = {Emergent Cooperative Driving Strategies for Stop-and-Go Wave Mitigation via Multi-Agent Reinforcement Learning},
author = {Raphael Korbmacher and Daniel Straub and Antoine Tordeux and Claudia Totzeck},
journal= {arXiv preprint arXiv:2511.14378},
year = {2025}
}