100대의 강화학습(RL) 제어 자동차를 러시아워 고속도로 교통에 투입하여 혼잡을 완화하고 모든 이들의 연료 소비를 줄였다. 목표는 “서행파도”를 해결하는 것으로, RL 에이전트가 상호작용하는 빠른 데이터 기반 시뮬레이션을 구축하여 에너지 효율을 극대화하면서 스루풋을 유지하고 인간 운전자 주변에서 안전하게 운전하도록 학습했다. 소수의 잘 제어된 자율주행차량(AV)은 도로상 모든 운전자들의 교통 흐름과 연료 효율을 크게 개선하는 데 충분했다. 훈련된 컨트롤러는 대부분의 현대차량에 배치할 수 있도록 설계되어 분산 방식으로 운영되며 표준 레이더 센서에 의존한다. 최근 논문에서는 시뮬레이션에서 실제 현장까지 RL 컨트롤러를 대규모로 배치하는 것에 대한 도전을 탐구했다. 또한, 서행파의 도전과 AV를 위한 강화학습, 보상 설계, 시뮬레이션 결과, 100대 AV 현장 실험 배치 등을 다루었다. 부드러운 교통 및 에너지 효율성을 위한 강화학습 에이전트를 훈련시키기 위한 신속한 시뮬레이션, RL 에이전트가 부드러운 서행파를 줄이고 근처 인간 운전차량의 연료 소비를 줄이기 위해 학습하는 혼합 자율주행 교통 시나리오, AV를 운영하는 데 필요한 관측치, 보상 설계, 시뮬레이션 결과, 100대 AV 현장 실험 배치 등이 다루어졌다. 강화학습을 통한 서행파 완화 AV, 보상 설계, 시뮬레이션 결과, 100대 AV 현장 실험 배치 등이 소개되었다. 실험 결과, AV 주변의 연료 소비량이 감소하는 추세를 보였으며, 속도와 가속도의 변화의 분산이 낮아지는 것으로 나타났다. 이러한 결과들은 교통 원활화 및 에너지 효율성 향상을 위한 강화 학습 에이전트의 현장 배치 가능성을 입증했다. 100대 자동차 현장 운영 실험은 현재 자율주행 배치를 반영하여 분산화되었으며, 더 원활하고 에너지 효율적인 고속도로로 한 걸음 더 나아가게 했다.

<The Berkeley Artificial Intelligence Research 뉴스 본문 전체읽기>