基于强化学习的混合交通流量优化：一种拓扑无关方法与基准
机器人学
2025-01-29 v1
摘要
本文提出了一种旨在优化不同道路拓扑结构下混合交通效率的交通控制策略，解决城市环境中常见的拥堵问题。开发了一种无模型的强化学习（RL）方法，用于管理大规模交通流，利用由自动驾驶车辆收集的数据来影响人驾驶车辆。同时发布了一个来自 20 个国家的 444 个场景的真实世界混合交通控制基准，代表着广泛的地理分布，涵盖多种场景和道路拓扑。该基准为未来研究提供了现实的仿真环境，以发展有效的政策。全面的实验表明，所提方法在交叉口和圆环场景中均优于现有交通控制方法，展现了有效性和适应性。迄今为止，这是首个引入真实世界复杂场景混合交通控制基准的项目。本工作的视频和代码已在 https://sites.google.com/berkeley.edu/mixedtrafficplus/home 提供。
引用
@article{arxiv.2501.16728,
title = {Optimizing Efficiency of Mixed Traffic through Reinforcement Learning: A Topology-Independent Approach and Benchmark},
author = {Chuyang Xiao and Dawei Wang and Xinzheng Tang and Jia Pan and Yuexin Ma},
journal= {arXiv preprint arXiv:2501.16728},
year = {2025}
}
备注
accepted to ICRA 2025