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：Berkeley AI Research (BAIR)

---

我们将100辆由强化学习（RL）控制的汽车部署到高峰时段的高速公路上，旨在为所有人平滑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，但会导致拥堵和显著能源浪费的“走走停停”（stop-and-go）波。为了训练高效的流量平滑控制器，我们构建了快速、数据驱动的仿真环境，供RL智能体进行交互，学习在保持吞吐量和围绕人类驾驶员安全运行的同时，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（AVs）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控制器从仿真部署到实地进行大规模部署所面临的挑战，并进行了这次100辆车的实验。

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。我们会根据前方的车辆自然地调整速度。如果间隙变大，我们会加速以跟上；如果他们刹车，我们也会减速。但由于我们存在非零的反应时间，我们可能会比前方的车辆刹车稍微用力一些。后面的驾驶员也会做同样的事情，这种效应会不断放大。随着时间的推移，最初微不足道的减速会在交通后方演变成完全停车。这些波浪向后传播通过交通流，导致频繁加速造成能源效率大幅下降，同时伴随着二氧化碳排放量增加和事故风险升高。

这并非孤立现象！当交通密度超过临界阈值时，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（AVs），它们可以实时动态地调整驾驶行为。然而，仅仅在人类驾驶员中插入自动驾驶汽车是不够的：它们还必须以更智能的方式驾驶，从而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）会影响前进的交通量（流量）。在低密度下，增加更多的汽车会增加流量，因为更多的车辆可以通行。但在超过临界阈值后，汽车开始相互阻碍，导致拥堵，此时增加更多的汽车实际上会减慢整体移动速度。

用于波浪平滑自动驾驶汽车的强化学习

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，环境是一个混合自主交通场景，其中AVs学习驾驶策略来抑制“走走停停”波，并降低它们自身和附近人类驾驶车辆的燃料消耗。

训练这些RL智能体需要具有可复制高速公路“走走停停”行为的快速仿真环境，并具有逼真的交通动态。为实现这一目标，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，并用它来构建仿真环境，其中车辆重播高速公路轨迹，产生不稳定交通，而后面的AVs则从中学习如何平滑这些不稳定。

仿真重放了一条表现出数个“走走停停”波形的高速公路轨迹。

我们在设计AVs时就考虑了部署的因素，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智能体然后为AV规定瞬时加速度或目标速度。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，当其最大化时，能够与我们希望AV实现的不同目标保持一致：

• 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。
• 安全性： 确保合理的跟车距离并避免突然刹车。
• 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“正常”的驾驶行为，不让周围驾驶员感到不适。

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会学会停在高速公路中间，因为这在能源上是最优的。为防止这种情况，我们引入了动态最小和最大间隙阈值，以确保安全和合理的行为，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的能源节省。总的来说，我们的目标是在能源节省与合理且安全的驾驶行为之间取得平衡。

仿真结果

动态最小和最大间隙阈值的说明，AV可以在其内部自由运行，以尽可能高效地平滑交通。

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即将到来的、可能是突然的交通减速。在仿真中，这种方法在最拥堵的情况下，使道路使用者整体上的燃料节省高达20%，而道路上只有不到5%的AV。而且这些AVs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，这也是我们进行规模化测试的内容。

RL AVs的平滑行为。红色：来自数据集的人类轨迹。蓝色：车队中连续的AV，其中AV 1是紧跟在人类轨迹后方的。AV之间通常有20到25辆人类驾驶的汽车。每个AV的减速幅度或加速速度都不会像其领航车那样剧烈，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：将RL规模化部署

实验周期间，我们的100辆车停在我们运营中心。

鉴于仿真结果令人鼓舞，自然而然的下一步是从仿真过渡到高速公路。我们将训练好的RL控制器部署在I-24上100辆汽车上，在连续数日的早高峰时段进行测试。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主交通平滑实验。

在实地部署RL控制器之前，我们对其进行了广泛的仿真训练和评估，并在硬件上进行了验证。总的来说，部署步骤包括：

• 在数据驱动的仿真中训练： 我们使用I-24的高速公路交通数据创建了一个具有逼真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。
• 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，能够控制车辆的设定速度。我们通过车辆的车载巡航控制进行操作，它充当了低级安全控制器。
• 模块化控制框架： 测试期间的一个关键挑战是无法直接获取前车的传感器信息。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，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控制的车辆来进行验证，并根据反馈对控制进行调整。

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。实验期间收集的数据来自沿高速公路设置的数十个高架摄像头，通过计算机视觉流程提取了数百万条单独的车辆轨迹。根据这些轨迹计算出的指标表明，AVs周围的燃料消耗呈下降趋势，这与仿真结果和先前较小规模的验证部署的预期相符。例如，我们可以观察到，人们离我们的AVs驾驶得越近，他们平均消耗的燃料似乎就越少（这是使用校准的能量模型计算得出的）：

平均燃料消耗与下游交通中最近的参与RL控制的AV的距离的关系。随着人类驾驶员在AV后面保持更远的距离，他们的平均燃料消耗会增加。

衡量影响的另一种方法是衡量速度和加速度的变化率：变化率越低，波动的幅度应该越小，这正是我们在实地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得精确测量非常复杂，但我们观察到在我们的控制车辆周围有15%到20%的能源节省的趋势。

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AVs时，拥堵的簇变得更小，这通过计算软凸包的面积或拟合高斯核来衡量。

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，并将我们推向更平稳、更节能的高速公路又近了一步。然而，仍有巨大的改进潜力。将仿真扩展得更快、更准确，并使用更好的人类驾驶模型，对于弥合仿真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网络进行显式通信如何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。最关键的是，我们的控制器与现有的自适应巡航控制（ACC）系统无缝集成，使得大规模的实地部署成为可能。配备智能交通平滑控制的车辆越多，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！

---

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，其中还有更多关于该项目的详细信息。

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。