新工具“IntersectionZoo”助力评估自动驾驶车辆生态驾驶效果

近几年来，麻省理工学院（MIT）的研究团队开始关注自动驾驶车辆在缓解城市交通排放方面的作用。这一研究的初衷是为了评估通过自动驾驶技术实现“生态驾驶”是否能够显著减少城市的碳排放和其他污染物。MIT的Cathy Wu教授，同时也是数据、系统与社会研究所（IDSS）的首席研究员，提出了一系列相关问题：“自动驾驶技术能否在这方面发挥作用？这一改变的影响有多大？值得投资这一技术吗？” 为了回答这些问题，研究人员需要从多个角度收集和分析数据，包括城市的道路网络布局、高程图以确定坡度、温度和湿度、车辆类型及年代分布以及燃料类型的多样性等。这些数据有助于建立一个复杂的模型，用以评估各种驾驶策略对污染物排放的影响。生态驾驶的核心理念是在接近红绿灯时适当减速，避免不必要的急停和加速，从而减少能耗。例如，当接近一个红灯时，如果车辆能够提前减速并滑行，就可以节省燃料或电力。 然而，优化这一过程面临着巨大的挑战，因为涉及的因素众多，且各因素之间存在复杂互动。多智能体深度强化学习（DRL）是一种潜在的方法，但现有的算法往往无法处理微小变化后的场景，例如新增自行车道或调整红绿灯时间。为了解决这一问题，Wu及其团队开发了一款名为“IntersectionZoo”的基准系统，用以评估多智能体DRL算法在实际应用中的鲁棒性。这一系统包含了100万个基于真实数据的交通场景，能够更好地支持算法的通用性和适应性测试。 Wu表示，这一新基准系统不仅适用于评估生态驾驶的效果，还可以广泛应用于其他领域，如自动驾驶、视频游戏、安全问题、机器人技术、仓储管理和经典控制问题。这一工具的目标是为研究人员提供一个公开可用的资源，助力深度强化学习算法的发展。目前，IntersectionZoo及相关使用文档已在GitHub上免费发布。 Wu的研究团队由MIT电气工程与计算机科学系（EECS）的研究生Vindula Jayawardana、来自苏黎世联邦理工大学（ETH Zurich）的研究生Baptiste Freydt、交通运输领域的研究生Ao Qu、IDSS的研究生Cameron Hickert及已取得博士学位的Zhongxia Yan组成。该团队在2025年国际学习表征会议（ICLR）上详细介绍了这一基准系统的开发过程和应用场景。 业内人士认为，IntersectionZoo的推出将极大推动多智能体深度强化学习领域的发展，为解决现实世界中的复杂优化问题提供了有力的支持。MIT在自动驾驶技术和城市交通管理方面一直处于领先地位，此次开发的新工具再次显示了其在科研创新方面的优势和贡献。