使用强化学习训练扩散模型

📢 转载信息

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

原文作者：bair.berkeley.edu

---

我们将在高峰时段的高速公路交通中部署100辆由强化学习（RL）控制的汽车，以平顺拥堵并降低所有人的燃料消耗。 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顺控制器，我们构建了快速的数据驱动模拟，供RL智能体与之交互，学习在保持通行能力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（AV）就足以显著改善所有道路驾驶员的交通流量和燃油效率。此外，训练好的控制器被设计成可以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控制器从模拟部署到实际现场的过程中，在这次100辆汽车实验中遇到的规模化部署挑战。

幽灵堵车的挑战

一个走走停停的波浪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挫败感，那些看似毫无征兆地出现，然后又突然消失的交通减速。这些波浪通常是由我们驾驶行为中的微小波动引起的，这些波动在交通流中被放大。我们自然会根据前车的速度来调整自己的速度。如果车距拉大，我们会加速以跟上；如果他们刹车，我们也会减速。但由于我们有非零的反应时间，我们可能会比前车刹得更猛一点。后面的司机也会这样做，这种现象会不断放大。随着时间的推移，最初微不足道的减速，在交通后方就变成完全停止。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，同时增加二氧化碳排放和事故风险。

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？传统的做法，如匝道计量（ramp metering）和可变限速，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插入人类驾驶的车辆中是不够的：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。

交通流基本图。路上的汽车数量（密度）会影响向前行驶的流量。在低密度时，增加更多汽车会增加流量，因为可以通过更多的车辆。但超过某个临界阈值后，汽车开始相互阻挡，导致拥堵，此时增加更多汽车实际上会减慢整体移动速度。

用于波浪平顺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。智能体通过试错收集经验，从错误中学习，并随着时间推移而改进。在我们的案例中，环境是一个混合自主交通场景，AVs在此学习驾驶策略，以抑制走走停停的波浪，并减少自身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，具备可复制高速公路走走停停行为的真实交通动力学。为了实现这一点，我们利用了在田纳西州纳什维尔附近的24号州际公路（I-24）收集的实验数据，并用这些数据构建了模拟，其中车辆重放高速公路轨迹，产生AVs在后面学习平顺的不稳定交通。

模拟重放了一个呈现出多次走走停停波的高速公路轨迹。

我们在设计AV时考虑了部署因素，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。观测数据包括AV的速度、前车的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指定一个瞬时加速度或期望速度。仅使用这些局部测量值的关键优势在于，RL控制器可以以去中心化的方式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，当最大化它时，能够与我们期望AV实现的不同目标保持一致：

• 波浪平顺： 减少走走停停的振荡。
• 能源效率： 降低所有车辆（不只是AV）的燃料消耗。
• 安全性： 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： 确保周围驾驶员感到舒适的“正常”驾驶行为。

平衡这些目标是困难的，因为必须找到每个部分的合适系数。例如，如果最小化燃料消耗在奖励中占主导地位，RL AVs会学习在高速公路中间停止，因为这是能源最优的。为了防止这种情况，我们引入了动态的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。我们还惩罚AV后面的人类驾驶车辆的燃料消耗，以阻止它学习一种自私的行为，即以牺牲周围交通为代价来优化AV的节能。

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，以尽可能高效地平顺交通。

AVs学习到的典型行为是保持比人类驾驶员稍大的间隙，使它们能够更有效地吸收可能发生的、突然的交通减速。在模拟中，这种方法在最拥堵的情况下，使所有道路使用者平均节省了高达20%的燃料，而道路上只有不到5%的AVs。而且这些AVs不一定是特种车辆！它们可以只是配备了智能自适应巡航控制（ACC）的标准消费汽车，这也是我们在规模上测试的。

RL AVs的平顺行为。红色：数据集中的人类轨迹。蓝色：队列中连续的AV，其中AV 1是紧随人类轨迹后面的。AV之间通常有20到25辆人类驾驶的汽车。每个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，并实现节能。

100辆AV现场测试：规模化部署RL

实验周期间，我们100辆汽车停在我们运营中心的样子。

鉴于模拟结果令人鼓舞，自然而然的下一步是将模拟与高速公路连接起来。我们将训练好的RL控制器部署到I-24上100辆汽车上，在连续几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规模最大的混合自主交通平顺性实验。

在现场部署RL控制器之前，我们在模拟中对其进行了广泛的训练和评估，并在硬件上进行了验证。总的来说，部署的步骤包括：

• 在数据驱动模拟中训练： 我们使用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。我们通过车辆的板载巡航控制系统进行操作，该系统充当较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无法获得前方车辆信息传感器。为了克服这个问题，我们将RL控制器集成到一个分层系统中，即MegaController，该系统结合了一个考虑下游交通状况的速度规划器指南，并将RL控制器作为最终决策者。
• 硬件验证： RL智能体被设计成在大多数车辆由人类驾驶的环境中运行，需要能够适应不可预测行为的鲁棒策略。我们通过在严格的人类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更改。

验证完成后，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。周围的交通对实验不知情，确保了驾驶员行为的公正性。实验期间的数据收集来自沿着高速公路放置的数十个高架摄像头，通过计算机视觉管道提取了数百万条单独的车辆轨迹。在这些轨迹上计算的指标表明，AV周围的燃料消耗呈下降趋势，这与模拟结果和先前较小的验证部署的预期一致。例如，我们可以观察到，人们离我们的AV越近，他们平均消耗的燃料就越少（这是使用校准的能量模型计算的）：

平均燃料消耗与下游交通中最近的、已激活的RL控制AV的距离函数关系。随着人类驾驶员在AV后方距离变远，他们的平均燃料消耗增加。

衡_量影响的另一种方法是衡量速度和加速度的变化率（方差）：方差越低，波的幅度应该越小，这与我们在现场测试数据中观察到的相符。总体而言，尽管从大量的摄像头视频数据中获得精确的测量很复杂，但我们观察到在我们的控制车辆周围有15%到20%的能源节省趋势。

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。红色线条左侧的簇代表拥堵，右侧的簇代表自由流。我们观察到，当存在AV时，拥堵簇变小，其测量方法是计算软凸包的面积或拟合高斯核。

最后的想法

这次100辆汽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，反映了当前的自主部署情况，使我们离更平顺、更节能的高速公路更近了一步。然而，仍有巨大的改进潜力。将模拟扩展得更快、更准确，并结合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前景广阔，但启用AV之间通过5G网络进行显式通信是否能进一步提高稳定性和缓解走走停停的波浪，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。配备智能交通平顺控制的汽车越多，我们在道路上看到的波浪就越少，这意味着为每个人减少污染和节省燃料！

---

🚀 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。