在混合交通环境中，环形交叉口对自动驾驶的挑战主要源于人类驾驶行为的异质性和非确定性，以及未知的驾驶意图和复杂的交互关系，这使得在进入时对冲突区域的可用性产生不确定性。我们提出了ROSA-RL——一种基于强化学习的环形交叉口优化速度建议方案，能够通过概率冲突预测实现自动驾驶与人类驾驶车辆的安全高效进出。该方案采用基于Transformer的模型，预测未来五秒内冲突区域的占用情况，捕捉多智能体之间的交互，以提前预判即将发生的冲突和可用的缝隙。预测结果编码了未来运动和意图的不确定性，并增强了经典强化学习框架的状态，使其具备了不确定性感知的速度协调能力。在基于真实数据的模拟评估中，ROSA-RL能够有效处理不确定性，其性能超越了可比的基于模型的基线，缩小了假设完全已知占用情况下的理想设置与现实之间的差距，同时提升了交通效率和安全性。该工作的源代码可在以下链接获取：github.com/urbanAIthi/ROSA-RL。
博主点评： ROSA-RL通过结合强化学习和Transformer模型，有效应对了环形交叉口的复杂性与不确定性，展现了未来智能交通系统的潜力。其在实际数据基础上的模拟验证，为自动驾驶技术的安全性和效率提供了强有力的支撑。该模型的开源特性也将促进相关领域的进一步研究与发展。