基于深度强化学习的贫民窟道路规划

数百万贫民窟居民因内部道路基础设施不足而难以获取城市服务，贫民窟道路规划对城市可持续发展至关重要。现有的重新街区化或启发式方法要么耗时且无法泛化到不同贫民窟，要么在可达性与建设成本方面产生次优道路方案。本文提出一种基于深度强化学习的方法，自动为贫民窟布局道路。我们提出一种通用图模型来刻画贫民窟的拓扑结构，并设计一种新型图神经网络来选择规划道路的位置。通过掩码策略优化，我们的模型能以最小建设成本生成连接贫民窟内各地的道路方案。在不同国家的真实贫民窟上的大量实验验证了模型的有效性，其相较现有基线方法可将可达性显著提升 14.3%。对跨任务迁移的进一步研究表明，我们的模型能掌握简单场景中的道路规划技能并适应远为复杂的场景，表明其应用于真实贫民窟改造的潜力。代码与数据见 https://github.com/tsinghua-fib-lab/road-planning-for-slums。