使用强化学习平滑自动驾驶汽车（AV）的“走走停停”波：百车实地测试

📢 转载信息

原文链接：http://bair.berkeley.edu/blog/2025/03/25/rl-av_smoothing/

原文作者：BAIR

---

我们把100辆由强化学习（RL）控制的自动驾驶汽车（AV）部署到高峰时段的高速公路上，目的是为所有人平滑拥堵并降低油耗。 我们的目标是解决那些通常没有明确原因，但会导致拥堵和巨大能源浪费的“走走停停”波（stop-and-go waves）。为了训练高效的流量平滑控制器，我们构建了快速、数据驱动的模拟环境，让RL智能体与之交互，学习在保持吞吐量和在人类驾驶员周围安全运行的同时，最大化能源效率。

总体而言，一小部分控制良好的自动驾驶汽车就足以显著改善道路上所有驾驶员的交通流量和燃油效率。此外，训练好的控制器旨在部署在大多数现代车辆上，以去中心化的方式运行，并依赖标准的雷达传感器。在我们最新的论文中，我们探讨了将RL控制器从模拟环境扩展到实际现场部署的挑战，即本次100辆汽车的实验。

幻影拥堵的挑战

一个“走走停停”波在高速公路交通中向后移动。

如果你开车，你肯定经历过“走走停停”波的烦恼——那些看似莫名其妙的交通减速，它们凭空出现，然后又突然消失。这些波浪通常是由于我们驾驶行为中的微小波动，在交通流中被放大而引起的。我们自然会根据前方的车辆调整速度。如果间隙变大，我们会加速跟上；如果他们刹车，我们也会减速。但由于我们存在非零的反应时间，我们可能会比前一辆车刹车更用力一点。紧随其后的下一位司机也会这样做，这种现象不断放大。随着时间的推移，最初微不足道的减速变成了后方交通的完全停止。这些波浪会向后穿过车流，由于频繁的加速，导致能源效率大幅下降，同时伴随着二氧化碳排放量的增加和事故风险的提高。

这并非孤立现象！当交通密度超过某个临界阈值时，这些波浪在繁忙的道路上无处不在。那么我们如何解决这个问题呢？传统的诸如匝道流量控制（ramp metering）和可变限速（variable speed limits）等方法试图管理交通流量，但它们通常需要昂贵的基础设施和集中协调。一个更具可扩展性的方法是使用自动驾驶汽车（AV），它们可以实时动态调整驾驶行为。然而，仅仅将AV插入人类驾驶员中间是不够的：它们还必须以更智能的方式驾驶，为每个人改善交通状况，这就是RL发挥作用的地方。

交通流的基本图。 路上的汽车数量（密度）会影响向前移动的交通量（流量）。在低密度时，增加更多汽车会增加流量，因为有更多的车辆可以通过。但超过某个临界阈值后，汽车开始相互阻碍，导致拥堵，此时增加更多汽车实际上会减慢整体移动速度。

用于波浪平滑的强化学习自动驾驶汽车

RL是一种强大的控制方法，智能体通过与环境的交互来学习最大化奖励信号。智能体通过反复试验收集经验，从错误中学习，并随着时间推移而改进。在我们的案例中，环境是一个混合自动驾驶交通场景，AV学习驾驶策略来抑制“走走停停”波，并降低它们自身以及附近人类驾驶车辆的燃料消耗。

训练这些RL智能体需要快速的模拟环境，具备可复制高速公路“走走停停”行为的真实交通动力学。为了实现这一目标，我们利用了在美国田纳西州纳什维尔附近的I-24州际公路上收集的实验数据，并使用这些数据来构建模拟环境，其中车辆重放高速公路轨迹，产生AV在后方学习平滑的不稳定交通流。

模拟重放一条表现出数个“走走停停”波的高速公路轨迹。

我们在设计AV时就考虑到了部署，确保它们仅使用关于自身和前方车辆的基本传感器信息即可运行。观察数据包括AV的速度、前车速度以及它们之间的间隙。根据这些输入，RL智能体随后为AV设定一个瞬时加速度或目标速度。仅使用这些局部测量数据的关键优势在于，RL控制器可以去中心化地部署在大多数现代车辆上，而无需额外基础设施。

奖励设计

最具挑战性的部分是设计一个奖励函数，当最大化该函数时，它能与我们希望AV实现的各种目标保持一致：

• 波浪平滑： 减少“走走停停”的振荡。
• 能源效率： 降低所有车辆（而不仅仅是AV）的燃料消耗。
• 安全： 确保合理的跟车距离并避免急刹车。
• 驾驶舒适性： 避免激进的加速和减速。
• 遵守人类驾驶规范： 确保不会让周围驾驶员感到不适的“正常”驾驶行为。

将这些目标平衡在一起是困难的，因为必须找到每个项的合适系数。例如，如果最小化燃料消耗在奖励中占主导地位，RL AVs就会学会停在高速公路中央，因为那样在能源上是最优的。为防止这种情况，我们引入了动态最小和最大间隙阈值，以确保安全合理的行为，同时优化燃油效率。我们还对后方人类驾驶车辆的燃料消耗进行了惩罚，以阻止RL学习一种自私的行为，即以牺牲周围交通为代价来优化AV的能源节约。总的来说，我们的目标是在能源节约与合理安全的驾驶行为之间取得平衡。

模拟结果

动态最小和最大间隙阈值的说明，AV可以在此范围内自由运行，以尽可能高效地平滑交通。

AV们学习到的典型行为是保持比人类驾驶员稍大的跟车间隙，使它们能够更有效地吸收即将到来的、可能是突然的交通减速。在模拟中，这种方法在最拥堵的情况下，使所有道路使用者节省了高达20%的燃料，而道路上仅有不到5%的AV。而且这些AV不必是特殊车辆！它们可以只是配备了智能自适应巡航控制（ACC）的标准消费类汽车，这也是我们在规模化测试中所采用的。

RL AVs的平滑行为。 红色：数据集中的人类轨迹。蓝色：队列中连续的AV，其中AV 1是距离人类轨迹最近的AV。AV之间通常有20到25辆人类驾驶的汽车。每辆AV减速的幅度或加速的速度都比其前车小，从而随着时间的推移使波的幅度减小，进而实现节能。

100辆AV实地测试：将RL扩展到现场部署

实验周期间，我们的100辆汽车停在我们操作中心。

鉴于模拟结果令人鼓舞，自然而然的下一步就是弥合从模拟到高速公路的鸿沟。我们将训练好的RL控制器部署到I-24上100辆汽车上，在连续数天的高峰时段进行测试。这项被称为MegaVanderTest的大规模实验，是有史以来最大规模的混合自动驾驶交通平滑实验。

在现场部署RL控制器之前，我们对其进行了广泛的模拟训练和评估，并在硬件上进行了验证。总的来说，部署步骤包括：

• 在数据驱动的模拟中训练： 我们使用来自I-24的高速公路交通数据创建了一个具有真实波浪动态的训练环境，然后在各种新的交通场景中验证了训练好的智能体的性能和鲁棒性。
• 部署到硬件： 在机器人软件中验证后，训练好的控制器被上传到汽车上，能够控制车辆设定的速度。我们通过车辆的机载巡航控制系统进行操作，该系统充当低级别的安全控制器。
• 模块化控制框架： 测试中的一个关键挑战是没有获得前车的传感器信息。为克服这一问题，RL控制器被集成到一个分层系统中，即MegaController，该系统将一个考虑到下游交通状况的速度规划器指南，与RL控制器作为最终决策者相结合。
• 硬件验证： RL智能体被设计为在大多数车辆由人类驾驶的环境中运行，这要求其具有适应不可预测行为的鲁棒策略。我们通过在仔细的人工监督下在道路上驾驶RL控制的车辆来验证这一点，并根据反馈对控制进行修改。

经验证后，RL控制器被部署到100辆汽车上，并在早高峰时段在I-24上行驶。周围的交通对实验一无所知，确保了驾驶行为的无偏性。实验期间收集的数据来自沿着高速公路设置的数十个高架摄像头，这些数据通过计算机视觉流程提取了数百万个单独的车辆轨迹。在这些轨迹上计算出的指标表明，AV周围的燃料消耗有所下降，这与模拟结果和先前较小的验证部署预期一致。例如，我们可以观察到，人们离我们的AV开得越近，他们平均消耗的燃料似乎就越少（这是使用校准的能源模型计算得出的）：

平均燃料消耗与下游交通中最接近的启用RL控制的AV距离的关系图。人类驾驶员在AV后方距离越远，他们的平均燃料消耗就越高。

衡量影响的另一种方法是衡量速度和加速度的方差：方差越低，波动的幅度应该越小，这与我们在现场测试数据中观察到的情况一致。总的来说，尽管从大量的摄像机视频数据中获得精确测量很复杂，但我们观察到控制车辆周围的能耗节省了15%到20%。

实验某一天高速公路上所有车辆在速度-加速度空间中的数据点。红色线条左侧的集群代表拥堵，右侧的集群代表自由流动。我们观察到，存在AV时，拥堵集群的面积更小，这是通过计算软凸包的面积或拟合高斯核来衡量的。

最后的思考

这次100辆车的现场操作测试是去中心化的，AV之间没有明确的合作或通信，这反映了当前的自动驾驶部署现状，使我们离更平滑、更节能的高速公路又近了一步。然而，仍有巨大的改进潜力。将模拟环境扩展得更快、更准确，并使用更好的人类驾驶模型，对于弥合模拟到现实的差距至关重要。为AV配备额外的交通数据，无论是通过先进的传感器还是集中规划，都可以进一步提高控制器的性能。例如，虽然多智能体RL在改进协作控制策略方面很有前景，但启用AV之间通过5G网络进行显式通信能否进一步提高稳定性和缓解“走走停停”波，仍然是一个悬而未决的问题。至关重要的是，我们的控制器与现有的自适应巡航控制（ACC）系统无缝集成，使得大规模现场部署成为可能。配备智能交通平滑控制的车辆越多，我们道路上看到的波浪就越少，这意味着每个人污染更少，燃料消耗更低！

---

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。