Multi-Agent Reinforcement Learning for Autonomous Driving: A Survey

强化学习（Reinforcement Learning，RL）是一种强大的序贯决策工具，在许多具有挑战性的现实世界任务中已经取得了超越人类能力的表现。作为RL在多智能体系统领域的扩展，多智能体强化学习（Multi-Agent RL，MARL）不仅需要学习控制策略，还需要考虑与环境中所有其他智能体的交互、不同系统组件之间的相互影响以及计算资源的分配。这增加了算法设计的复杂性，并对计算资源提出了更高的要求。同时，模拟器对于获取真实数据是至关重要的，这是RL的基础。本文首先提出了一系列模拟器度量标准，并总结了现有基准测试的特点。其次，为了便于理解，我们回顾了基础知识，并综合了最近在MARL相关的自动驾驶和智能交通系统方面的研究进展。具体来说，我们检查了它们的环境建模、状态表示、感知单元和算法设计。最后，我们讨论了开放性挑战以及前景和机遇。我们希望本文能帮助研究人员整合MARL技术，并引发更有深度的智能和自主驾驶方面的思考。

该论文旨在解决多智能体强化学习（MARL）在自动驾驶和智能交通系统领域中的应用问题，包括环境建模，状态表示，感知单元和算法设计等方面。

论文提出了一系列模拟器度量标准，并总结了现有基准的特点。在MARL领域中，需要考虑智能体之间的相互作用，不同系统组件之间的相互影响以及计算资源的分配。为了获得真实数据，模拟器是获得强化学习的基础。论文综述了自动驾驶和智能交通系统中的最新研究，包括环境建模，状态表示，感知单元和算法设计。

论文提出了一系列模拟器度量标准，并总结了现有基准的特点。综述了自动驾驶和智能交通系统中的最新研究，包括环境建模，状态表示，感知单元和算法设计。论文还讨论了未来的挑战和机遇。

最近的相关研究包括“Multi-Agent Reinforcement Learning for Traffic Light Control”和“Decentralized Coordination of Automated Vehicles at Multiple Intersections: A Multi-Agent Deep Reinforcement Learning Approach”等。