URB：面向强化学习的联合无人驾驶车辆城市路线基准
机器学习
2025-10-29 v2
摘要
联合无人驾驶车辆 (CAV) 有望通过优化其路线决策来减少未来城市网络中的拥堵。与人类驾驶员不同，这些决策可以基于数据驱动的政策进行集体决策，这些政策是使用机器学习算法开发的。强化学习 (RL) 可以促进此类集体路线策略的开发，但缺乏标准化且真实的基准。为此，我们提出了 URB：面向强化学习的联合无人驾驶车辆城市路线基准。URB 是一个综合性的基准测试环境，统一了 29 个真实世界交通网络配合真实需求模式的评估。URB 附带一套预定义任务、多智能体强化学习 (MARL) 算法实现、三个基线方法、领域特定性能指标以及模块化配置方案。我们的结果显示，尽管训练耗时且成本高昂，最先进的 MARL 算法很少超过人类水平。本文报告的实验结果启动了 MARL 在大规模城市路线优化中的首个排行榜。它们揭示了当前方法在扩展方面困难，凸显了此领域亟需进步的迫切性。
引用
@article{arxiv.2505.17734,
title = {URB -- Urban Routing Benchmark for RL-equipped Connected Autonomous Vehicles},
author = {Ahmet Onur Akman and Anastasia Psarou and Michał Hoffmann and Łukasz Gorczyca and Łukasz Kowalski and Paweł Gora and Grzegorz Jamróz and Rafał Kucharski},
journal= {arXiv preprint arXiv:2505.17734},
year = {2025}
}
备注
Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025), Datasets and Benchmarks Track