绿色选择：共享道路上人类决策的引导与学习

自动驾驶车辆有潜力通过编队行驶提高道路容量，即使人类驾驶员与自动驾驶车辆共享道路时亦然。然而，当道路网络的使用者自私地选择路线时，由此产生的交通配置可能效率很低。因此，我们考虑如何引导人类决策以减少这些道路上的拥堵。我们考虑一个由平行道路组成的网络，具有两种交通模式：(i) 人类驾驶员，他们将选择可用的最快路线；(ii) 网约车服务，向用户提供一系列具有不同价格的自动驾驶车辆乘车选项。在这项工作中，我们旨在设计这些价格，使得当自动驾驶服务用户从这些选项中选择、且人类驾驶员自私地选择其 resulting 路线时，道路使用率最大化且通行延迟最小化。为此，我们形式化了一个自动驾驶服务用户在具有不同价格/延迟值的路线间进行选择的模型。开发了一种基于偏好的算法来学习用户偏好，并使用与交通基本图相关的车辆流模型，我们制定了一个规划优化以最大化社会目标，并展示了所提路由与学习方案的益处。