2025_NIPS_URB - Urban Routing Benchmark for RL-equipped Connected Autonomous Vehicles

一、文章主要内容总结

本文针对联网自动驾驶汽车（CAVs）集体路径规划缺乏标准化、真实场景基准的问题，提出了URB（Urban Routing Benchmark）基准框架。该框架整合29个真实交通网络、 realistic 需求模式、多智能体强化学习（MARL）算法实现、3种基线方法及领域特定性能指标，支持混合交通环境（CAVs与人类驾驶车辆共存）下的路径规划算法评估。通过对4种主流MARL算法（IQL、IPPO、MAPPO、QMIX）的基准测试发现，现有SOTA算法训练成本高且难以超越人类驾驶表现，仅QMIX在小型网络中偶尔优于人类，算法性能受网络复杂度、需求规模和观测范围显著影响。文章还讨论了URB的局限性与社会影响，并提出未来扩展方向。

二、创新点

1. 首个混合交通场景MARL路径规划基准：首次整合29个真实交通网络与真实需求模式，支持CAVs与人类驾驶车辆共存的路径规划评估，填补领域空白。
2. 高灵活性与可扩展性：支持自定义算法、网络拓扑、CAVs市场占比、行为目标等参数，兼容SUMO微观交通模拟器与TorchRL工具库，衔接交通工程与机器学习领域。
3. 全面的评估体系：提出包含旅行时间、训练成本、速度变化、里程变化、胜率等多维度指标，量化算法对系统、CAVs及人类驾驶的影响。
4. 揭示算法核心短板：通过实证研究表明现有MARL算法在规模化、非平稳环境下的性能瓶颈，为后续算法优化提供明确方向。