研究：自动驾驶路由加入社会成本可降低对人工驾驶的影响
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把边际成本写进奖励
这项研究关注的是混合交通环境下自动驾驶车辆（AV）的路径选择问题。作者指出，AV 在真实路网中做出的集体路径决策，可能给人类驾驶车辆（HDV）带来外部性：对 AV 有利的路线，未必对其他道路使用者有利，甚至可能拉长后者的通行时间。为处理这一矛盾，研究在 AV 原本只考虑自身通行时间的自利式奖励之外，加入了一个社会性成分，称为边际成本。它的计算方式是把其他道路使用者的通行时间，与一个反事实仿真中的通行时间作比较——在那个仿真里，这辆 AV 被移除。两者之差，就刻画了该 AV 对其他道路使用者造成的影响。研究采用多智能体强化学习（MARL）来考察混合自主程度下的 AV 路径选择，AV 通过与交通环境的反复交互来学习路由策略。实验在 Ingolstadt 与 Provins 两个真实路网上展开。
自利与社会化的差别
实验结果显示，把边际成本纳入 AV 的奖励函数后，HDV 通行时间的增幅受到抑制，同时 AV 自身的通行时间相比自利式路由也有所缩短，整体系统表现同样得到改善。论文给出的一个具体观察是，在 Ingolstadt 场景中，自利式路由下其他车辆的通行时间出现上升，而引入社会性奖励后这一上升幅度变小。作者还提到一个有意思的现象：不仅系统整体变好，AV 自身也从中受益。这一效应在测试的城市、渗透率以及重复实验中都保持一致。不过研究也划出了边界：当奖励中社会成分的权重不断提高时，系统反而无法达到理想的表现。这说明社会性成分并非越大越好，权重需要落在合适区间，否则会损害整体性能。
降低反事实仿真开销
边际成本的计算依赖反事实仿真，也就是逐辆 AV 移除后重新比较通行时间，这在车辆规模变大时开销可观。为让社会性路由在混合交通中更具可扩展性，研究提出只对路径选择对交通系统影响最大的那些 AV 计算边际成本。这样做的效果是减少了反事实仿真的数量，同时取得与全量计算相近的表现，计算成本显著下降。论文的结论指向一个方向：AV 的路由目标不应停留在自利奖励上，而应把社会性成分纳入其中，从而让所有交通参与者共同受益。研究涉及多智能体系统与人工智能两个方向，作者为 Anastasia Psarou、Mikolaj Rams、Blazej Torbus 与 Rafal Kucharski。
为什么值得看
混合交通下自动驾驶如何影响人类驾驶者，是落地阶段的实际问题，论文给出了可量化的权衡与降本方案。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。