自调节汽车：自由流道路网络中的交通控制自动化
机器学习
2025-06-16 v1
摘要
自由流道路网络，如郊区高速公路，正因通勤流入量增长和基础设施有限而日益面临交通拥堵问题。传统控制机制，如交通信号灯或局部启发式方法，在这些高速、无信号的环境中效果不佳或不可行。我们提出了自调节汽车——一种基于强化学习的交通控制协议，能够动态调节车辆速度以优化通行量并防止拥堵，而无需新增物理基础设施。我们的方法将经典交通流理论、间隙接受模型和微观仿真整合到一个物理信息驱动的强化学习框架中。通过将道路抽象为超级路段，智能体能够捕捉涌现的交通流动力学，并从瞬时交通观测中学习鲁棒的速度调节策略。在真实世界高速公路网络上使用高保真 PTV Vissim 仿真器进行评估后，我们的方法相比无控制设置将总通行量提高了 5%，平均延误降低了 13%，总停车次数减少了 3%。该方法还能实现更平滑、抗拥堵的交通流，同时在不同交通模式下保持泛化能力，展示了其在可扩展的机器学习驱动交通管理方面的潜力。
引用
@article{arxiv.2506.11973,
title = {Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks},
author = {Ankit Bhardwaj and Rohail Asim and Sachin Chauhan and Yasir Zaki and Lakshminarayanan Subramanian},
journal= {arXiv preprint arXiv:2506.11973},
year = {2025}
}