自動(dòng)駕駛汽車 (AV) 技術(shù)的快速發(fā)展，使得我們正處于交通革命的風(fēng)口浪尖，其規(guī)模是自一個(gè)世紀(jì)前汽車問世以來從未見過的。自動(dòng)駕駛技術(shù)具有顯著提高交通安全性、機(jī)動(dòng)性和可持續(xù)性的潛力，因此引起了工業(yè)界、政府機(jī)構(gòu)、專業(yè)組織和學(xué)術(shù)機(jī)構(gòu)的共同關(guān)注。

過去 20 年里，自動(dòng)駕駛汽車的發(fā)展取得了長足的進(jìn)步，尤其是隨著深度學(xué)習(xí)的出現(xiàn)更是如此。到 2015 年，開始有公司宣布他們將在 2020 之前量產(chǎn) AV。不過到目前為止，并且沒有 level 4 級別的 AV 可以在市場上買到。

導(dǎo)致這一現(xiàn)象的原因有很多，但最重要的是，自動(dòng)駕駛汽車的安全性能仍大大低于人類駕駛員。對于美國的普通駕駛員來說，在自然駕駛環(huán)境 (NDE) 中發(fā)生碰撞的概率約為 1.9 × 10^?6 per mile。相比之下，根據(jù)加利福尼亞 2021 年的脫離報(bào)告（Disengagement Reports）顯示，最先進(jìn)的自動(dòng)駕駛汽車的脫離率約為 2.0 × 10^?5 / 英里。

注：脫離率是評定自動(dòng)駕駛可靠性的重要指標(biāo)，它描述的是系統(tǒng)運(yùn)行每 1000 英里需要駕駛員接管的次數(shù)。系統(tǒng)的脫離率越低，意味著可靠性越佳。當(dāng)脫離率等于 0 時(shí)，也就從某種程度上說明這個(gè)自動(dòng)駕駛系統(tǒng)已經(jīng)達(dá)到無人駕駛級別。

盡管脫離率會因?yàn)榇嬖谄姸艿脚u，但它已被廣泛用于評價(jià)自動(dòng)駕駛汽車安全性能。

提高自動(dòng)駕駛汽車安全性能存在的一個(gè)關(guān)鍵瓶頸是安全驗(yàn)證效率低下。目前流行的是通過軟件模擬、封閉測試軌道和道路測試相結(jié)合的方式來測試自動(dòng)駕駛汽車的無損檢測。這樣一來，AV 開發(fā)人員必須支付大量的經(jīng)濟(jì)和時(shí)間成本來評估，從而阻礙了 AV 部署的進(jìn)展。

在 NDE 環(huán)境中，進(jìn)行 AV 安全性能驗(yàn)證非常復(fù)雜。例如，駕駛環(huán)境在時(shí)空上是復(fù)雜的，因此定義此類環(huán)境所需的變量是高維的。隨著變量維數(shù)呈指數(shù)增長，計(jì)算復(fù)雜度也呈指數(shù)增長。在這種情況下，即使給定大量數(shù)據(jù)，深度學(xué)習(xí)模型也很難學(xué)習(xí)。

本文中，來自密歇根大學(xué)安娜堡分校、清華大學(xué)等機(jī)構(gòu)的研究者，他們提出密集深度強(qiáng)化學(xué)習(xí) (D2RL，dense deep-reinforcement-learning) 方法來解決這一挑戰(zhàn)。

該研究登 Nature 封面。

• 論文地址：https://www.nature.com/articles/s41586-023-05732-2
• 項(xiàng)目地址：https://github.com/michigan-traffic-lab/Dense-Deep-Reinforcement-Learning

論文一作封碩，目前是清華大學(xué)自動(dòng)化系終身助理教授（Tenure-Track Assistant Professor），此外，他還是密歇根大學(xué)交通研究所 (UMTRI) 的助理研究科學(xué)家。他于 2014 年和 2019 年在清華大學(xué)自動(dòng)化系獲得學(xué)士和博士學(xué)位，師從張毅教授。2017 年至 2019 年，他在密歇根大學(xué)土木與環(huán)境工程專業(yè)做訪問博士，師從 Henry X. Liu 教授（本文通訊作者）。

研究介紹

D2RL 方法的基本思想是識別和去除非安全關(guān)鍵（non-safety-critical）數(shù)據(jù)，并利用安全關(guān)鍵數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。由于只有一小部分?jǐn)?shù)據(jù)是安全關(guān)鍵的，因此其余數(shù)據(jù)的信息將被大量密集化。

與 DRL 方法相比，D2RL 方法可以在不損失無偏性（unbiasedness）的情況下顯著減少多個(gè)數(shù)量級的策略梯度估計(jì)方差。這種顯著的方差減少可以使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和完成 DRL 方法難以處理的任務(wù)。

對于 AV 測試，該研究利用 D2RL 方法，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練周圍車輛 (background vehicles，BV) 學(xué)習(xí)何時(shí)執(zhí)行何種對抗性操作，旨在提高測試效率。D2RL 在基于 AI 的對抗性測試環(huán)境下可以將 AV 所需的測試?yán)锍虦p少多個(gè)數(shù)量級，同時(shí)確保了測試的無偏性。

D2RL 方法可以應(yīng)用于復(fù)雜的駕駛環(huán)境，包括多條高速公路、十字路口和環(huán)島，這是以前基于場景的方法無法實(shí)現(xiàn)的。并且，該研究提出的方法可以創(chuàng)建智能測試環(huán)境，即使用 AI 來驗(yàn)證 AI。這是一種范式轉(zhuǎn)變，它為其他安全關(guān)鍵系統(tǒng)進(jìn)行加速測試和訓(xùn)練打開了大門。

為了證明基于 AI 的測試方法是有效的，該研究使用大規(guī)模實(shí)際駕駛數(shù)據(jù)集對 BV 進(jìn)行了訓(xùn)練，并進(jìn)行了模擬實(shí)驗(yàn)和物理測試軌道的現(xiàn)場實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如下圖 1 所示。

密集深度強(qiáng)化學(xué)習(xí)

為了利用 AI 技術(shù)，該研究將 AV 測試問題表述為馬爾可夫決策過程 (MDP)，其中 BV 的操作是根據(jù)當(dāng)前狀態(tài)信息決定的。該研究旨在訓(xùn)練一個(gè)由神經(jīng)網(wǎng)絡(luò)建模的策略（DRL 智能體），它可以控制 BV 與 AV 交互的操作，以最大限度地提高評估效率并確保無偏性。然而，如上文所述，受維數(shù)和計(jì)算復(fù)雜度的限制，如果直接應(yīng)用 DRL 方法，很難甚至根本無法學(xué)習(xí)有效策略。

由于大多數(shù)狀態(tài)都是非關(guān)鍵的，無法為安全關(guān)鍵事件提供信息，因此 D2RL 的重點(diǎn)是去除這些非關(guān)鍵狀態(tài)的數(shù)據(jù)。對于 AV 測試問題，可以利用許多安全指標(biāo)來識別具有不同效率和有效性的關(guān)鍵狀態(tài)。該研究利用的關(guān)鍵性度量指標(biāo)是當(dāng)前狀態(tài)特定時(shí)間范圍內(nèi)（例如 1 秒）內(nèi) AV 碰撞率的外部近似值。然后該研究編輯了馬爾可夫過程，丟棄非關(guān)鍵狀態(tài)的數(shù)據(jù)，并將剩余數(shù)據(jù)用于 DRL 訓(xùn)練的策略梯度估計(jì)和 Bootstrap。

如下圖 2 所示，相比于 DRL，D2RL 的優(yōu)勢是能夠最大化訓(xùn)練過程中的獎(jiǎng)勵(lì)。

AV 仿真測試

為了評估 D2RL 方法的準(zhǔn)確性、效率、可擴(kuò)展性和通用性，該研究進(jìn)行了仿真測試。對于每個(gè)測試集，該研究模擬了一段固定距離的交通行駛，然后記錄并分析測試結(jié)果，如下圖 3 所示。

為了進(jìn)一步研究 D2RL 的可擴(kuò)展性和泛化性，該研究對 AV-I 模型進(jìn)行了不同車道數(shù) (2 車道和 3 車道) 和行駛距離 (400 米、2 公里、4 公里和 25 公里) 的實(shí)驗(yàn)。本文對 25 公里行程進(jìn)行了研究 ，因?yàn)樵诿绹?，平均通勤者單程旅行約為 25 公里。結(jié)果如表 1 所示：?