A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking

随着人工智能技术的发展，交通系统优化正在从依赖专家经验的传统方法转向基于模拟和学习的决策优化方法。学习优化方法需要与高度逼真的微观交通模拟器进行广泛交互以进行优化。然而，现有的微观交通模拟器在大规模场景中的计算效率低下，从而显著降低了优化算法的数据采样过程的效率。此外，现有模拟器支持的优化场景有限，主要集中在交通信号控制方面。为了解决这些挑战和限制，我们提出了第一个开源GPU加速的大规模微观模拟器，用于交通系统模拟。该模拟器能够以84.09Hz的速度迭代，在超过一百万辆车的大规模场景中，相比最佳基线实现了88.92倍的计算加速。基于该模拟器，我们实现了一组微观和宏观可控对象和指标，以支持大多数典型的交通系统优化场景。这些可控对象和指标都由Python API提供，易于使用。我们选择了五个重要且代表性的交通系统优化场景，在四个城市中对经典基于规则的算法、强化学习和黑盒优化进行了基准测试。代码可在\url{https://github.com/tsinghua-fib-lab/moss-benchmark}上获取，使用MIT许可证。

开发一种高效的大规模微观交通仿真器以支持交通系统优化

提出了第一个开源的GPU加速的大规模微观交通仿真器，支持多种交通系统优化场景

该仿真器能够在大规模场景中实现88.92倍的计算加速，提供了Python API以支持多种交通系统优化场景，作者选择了五种典型的交通系统优化场景进行了实验，并提供了开源代码

最近的相关研究主要集中在交通信号控制优化方面，如DeepTraffic、SUMO等