📢 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
我们部署了100辆由强化学习（RL）控制的汽车进入高峰时段的高速公路交通，旨在为所有人平顺拥堵并减少燃料消耗。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。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环境，RL智能体在其中进行交互，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。
总的来说，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，训练好的控制器设计为可以在大多数现代车辆上部署，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控制器从模拟扩展到实际部署的挑战，包括这次涉及100辆车的实验。
幽灵堵车的挑战
一个“走走停停”波向后穿过高速公路交通。
如果你开车，你肯定经历过“走走停停”波带来的沮丧感——那些看似无缘无故出现，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调整速度。如果车距拉大，我们会加速跟上。如果他们刹车，我们也会减速。但由于我们有非零的反应时间，我们刹车的力度可能比前车略大。后面的司机也会这样做，这种效应不断放大。随着时间的推移，最初微不足道的减速在交通后方演变成完全停车。这些波浪向后传播，由于频繁的加速，导致能源效率大幅下降，同时增加了CO2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，如匝道控制和可变限速，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。更具可扩展性的方法是使用AV，它们可以实时动态调整驾驶行为。然而，仅仅将AVs插入到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，使所有人的交通状况都得到改善，这就是RL发挥作用的地方。
交通流基本图。道路上的车辆数量（密度）会影响向前移动的交通量（流量）。在低密度下，增加更多车辆会增加流量，因为可以通过更多的车辆。但超过临界阈值后，车辆开始相互阻碍，导致拥堵，此时增加更多车辆实际上会减慢整体移动速度。
用于波浪平顺AV的强化学习
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，并随着时间的推移而改进。在我们的案例中，环境是一个混合自动驾驶交通场景，AVs在这里学习驾驶策略，以抑制“走走停停”波，并减少自身和附近人类驾驶车辆的燃料消耗。
训练这些RL智能体需要能够复制高速公路“走走停停”行为的、具有真实交通动态的快速模拟。为此，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，并用它来构建模拟环境，其中车辆回放高速公路轨迹，产生不稳定的交通，让其后方的AV学习如何平顺这些波动。
模拟回放了一条展示了多个“走走停停”波浪的高速公路轨迹。
在设计AV时，我们考虑了部署因素，确保它们仅使用关于自身和前车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距离间隔。基于这些输入，RL智能体接着为AVs指定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，使其最大化后能与我们期望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（不仅是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： 确保一种“正常”的驾驶行为，不会让周围的司机感到不适。
将这些目标平衡在一起是困难的，因为必须找到每个术语的合适系数。例如，如果最小化燃料消耗在奖励中占主导地位，RL AVs可能会学会停在高速公路中间，因为那是能源最优的。为了防止这种情况，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。我们还惩罚了AV后方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的能源节约。总的来说，我们的目标是在能源节约和具有合理且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，以尽可能高效地平顺交通。
AV通常学会的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前方可能发生的、突然的交通减速。在模拟中，这种方法在最拥堵的情况下，对所有道路使用者都带来了高达20%的显著节油效果，而道路上只有不到5%的AV。而且这些AV不需要是特殊的车辆！它们可以仅仅是配备了智能自适应巡航控制（ACC）的标准消费汽车，这正是我们在规模上进行测试的内容。
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是最靠近人类轨迹的。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幅度都不如其前车剧烈，从而随着时间的推移导致波幅减小，进而实现节能。
100辆AV实地测试：大规模部署RL
实验周期间，我们在运营中心停放的100辆汽车。
鉴于模拟结果令人鼓舞，下一步自然是从模拟过渡到实际高速公路。我们将训练好的RL控制器部署到I-24上100辆车上，在连续几天的早高峰时段进行测试。这次大规模实验，我们称之为MegaVanderTest，是有史以来规模最大的混合自动驾驶交通平顺实验。
在将RL控制器部署到现场之前，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。总体而言，部署步骤包括：
- 在数据驱动的模拟中训练： 我们使用I-24的高速公路交通数据来创建具有真实波浪动态的训练环境，然后评估训练好的智能体在各种新交通场景中的性能和鲁棒性。
- 硬件部署： 在机器人软件中验证后，训练好的控制器被上传到汽车上，能够控制车辆的设定速度。我们通过车辆的车载巡航控制进行操作，这充当了低级安全控制器。
- 模块化控制框架： 测试中的一个关键挑战是没有接入前车信息传感器。为了克服这一点，RL控制器被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，并将RL控制器作为最终决策者。
- 硬件验证： RL智能体的设计是为了在一个大多数车辆由人类驾驶的环境中运行，这要求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调整。
100辆车中的每一辆都连接到一台树莓派（Raspberry Pi），RL控制器（一个小型神经网络）部署在上面。
RL控制器直接控制车载自适应巡航控制（ACC）系统，设定其速度和期望的跟车距离。
经验证后，RL控制器被部署到100辆车上，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高速公路放置的数十个高架摄像头，通过计算机视觉流水线提取了数百万条单独的车辆轨迹。根据这些轨迹计算的指标表明，AV周围的燃料消耗呈下降趋势，正如模拟结果和先前较小规模验证部署所预期的那样。例如，我们可以观察到，人们在我们的AV后方驾驶得越近，他们平均消耗的燃料就越少（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近的参与RL控制的AV距离的函数关系。人类驾驶员在AV后方距离越远，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变化方差：方差越低，波幅应该越小，这正是我们在现场测试数据中观察到的。总的来说，尽管从大量的摄像头视频数据中获取精确测量很复杂，但我们观察到在受控车辆周围有15%到20%的能源节约趋势。
实验某一天中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。我们观察到，存在AV时，拥堵集群较小，这是通过计算软凸包的面积或拟合高斯核来衡量的。
最后的想法
100辆车的现场操作测试是去中心化的，AV之间没有明确的协作或通信，这反映了当前的自动驾驶部署现状，使我们离更平顺、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网络进行显式通信是否能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。最重要的是，我们的控制器与现有的自适应巡航控制（ACC）系统无缝集成，使大规模现场部署成为可能。配备智能交通平顺控制的车辆越多，我们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！
许多贡献者参与了MegaVanderTest的实现！完整的名单可以在CIRCLES项目页面上找到，其中包含有关该项目的更多详细信息。
阅读更多：[论文]
🚀 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。
评论区