Flatland-RL：基于列车的_multi-agent_强化学习
人工智能
2020-12-14 v2
摘要
高效的列车自动调度仍是现代铁路系统的重大挑战。其 underlying 车辆重调度问题（VRSP）数十年来一直是运筹学（OR）的主要焦点。传统方法使用复杂模拟器研究VRSP，其中尝试广泛的新想法耗时且计算开销巨大。在本文中，我们引入一个称为“Flatland”的二维简化网格环境，以实现更快的实验。Flatland不仅降低了完整物理模拟的复杂性，还提供了易用接口来测试VRSP的新方法，如强化学习（RL）与模仿学习（IL）。为探查机器学习（ML）在Flatland上的研究潜力，我们（1）运行了首系列RL与IL实验，且（2）设计并在NeurIPS 2020执行了公开Benchmark以吸引广大研究社区致力于该问题。我们自身的实验结果一方面表明ML在解决Flatland上的VRSP具潜力；另一方面，我们确定了需进一步研究的关键课题。总体而言，Flatland环境已被证明是考察铁路网络VRSP的稳健且有价值框架。我们的实验为进一步研究及NeurIPS 2020 Flatland Benchmark参与者提供了良好起点。所有这些努力共同有望对塑造未来出行产生实质影响。
引用
@article{arxiv.2012.05893,
title = {Flatland-RL : Multi-Agent Reinforcement Learning on Trains},
author = {Sharada Mohanty and Erik Nygren and Florian Laurent and Manuel Schneider and Christian Scheller and Nilabha Bhattacharya and Jeremy Watson and Adrian Egli and Christian Eichenberger and Christian Baumberger and Gereon Vienken and Irene Sturm and Guillaume Sartoretti and Giacomo Spigler},
journal= {arXiv preprint arXiv:2012.05893},
year = {2020}
}