ROSA-RL: Uncertainty-Aware Roundabout Optimized Speed Advisory with Reinforcement Learning

📄 arXiv: 2606.16558v1 📥 PDF

作者: Anna-Lena Schlamp, Jeremias Gerner, Klaus Bogenberger, Werner Huber, Stefanie Schmidtner

分类: cs.AI, cs.RO, eess.SY

发布日期: 2026-06-15

备注: 8 pages, 2 figures, 2 tables. Copyright 2026 IEEE. This is the accepted manuscript for 2026 IEEE International Conference on Intelligent Transportation Systems (ITSC), not the final published version

💡 一句话要点

提出ROSA-RL以解决环形交叉口不确定性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 环形交叉口 不确定性感知 强化学习 交通效率 安全性 多智能体交互 速度建议

📋 核心要点

  1. 现有方法在处理环形交叉口的复杂人类驾驶行为时，面临不确定性和冲突预测的挑战。
  2. ROSA-RL通过基于Transformer的模型进行冲突区域预测，结合强化学习实现不确定性感知的速度协调。
  3. 实验结果表明，ROSA-RL在处理不确定性方面表现优越，显著提升了交通效率和安全性。

📝 摘要（中文）

环形交叉口在混合交通中对自动驾驶提出了挑战，因人类驾驶行为的异质性和不确定性，导致冲突区域的可用性难以预测。本文提出了ROSA-RL，即不确定性感知的环形交叉口优化速度建议系统，利用强化学习实现安全高效的环形交叉口进入。该系统通过基于Transformer的模型预测未来五秒内的冲突区域占用情况，捕捉多智能体间的交互，提前预判冲突和可用间隙。预测结果编码了未来运动和意图的不确定性，增强了经典强化学习框架的状态，支持不确定性感知的速度协调。经过基于真实数据的模拟评估，ROSA-RL有效应对不确定性，超越了可比的模型基线，缩小了假设完全已知占用情况下的理想设置差距，同时提升了交通效率和安全性。

🔬 方法详解

问题定义：本文旨在解决环形交叉口中由于人类驾驶行为的异质性和不确定性导致的冲突预测问题。现有方法在面对复杂的交通环境时，难以准确判断冲突区域的可用性，影响自动驾驶的安全性和效率。

核心思路：ROSA-RL的核心思想是利用基于Transformer的模型进行冲突区域的概率预测，结合强化学习框架，增强对未来交通状态的不确定性感知，从而实现安全的速度建议。通过对多智能体交互的建模，系统能够提前预判潜在冲突和可用间隙。

技术框架：ROSA-RL的整体架构包括数据输入模块、冲突预测模块和速度建议模块。数据输入模块负责收集交通状态信息，冲突预测模块利用Transformer模型进行未来五秒的冲突区域占用预测，速度建议模块则基于预测结果生成不确定性感知的速度建议。

关键创新：ROSA-RL的主要创新在于将不确定性感知引入到环形交叉口的速度协调中，利用Transformer模型捕捉多智能体间的复杂交互，显著提高了冲突预测的准确性和速度建议的安全性。与现有方法相比，ROSA-RL能够更好地应对不确定性，提升交通流动性。

关键设计：在模型设计上，ROSA-RL采用了特定的损失函数来优化冲突预测的准确性，并通过调节超参数来平衡预测的精度与计算效率。此外，网络结构中引入了多层Transformer模块，以增强对复杂交通场景的建模能力。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，ROSA-RL在处理不确定性方面表现优异，相较于可比的模型基线，其性能提升显著，能够有效缩小与理想设置的差距，提升交通效率和安全性。具体而言，ROSA-RL在模拟中实现了更高的速度协调准确性和冲突预测能力。

🎯 应用场景

ROSA-RL的研究成果可广泛应用于自动驾驶系统和智能交通管理中，特别是在环形交叉口等复杂交通环境中。通过提供不确定性感知的速度建议，该系统能够有效提升交通安全性和流动性，未来有望在城市交通管理和智能驾驶辅助系统中发挥重要作用。

📄 摘要（原文）

Roundabouts challenge automated driving in mixed traffic, as heterogeneous and non-deterministic human behavior, unknown driving intentions, and high interaction complexity create uncertainty about whether the conflict zone will be blocked or available at the moment of entry. We present ROSA-RL -- uncertainty-aware Roundabout Optimized Speed Advisory with Reinforcement Learning. It enables safe and efficient roundabout entry for automated and human-driven vehicles in mixed traffic through probabilistic conflict forecasting. A Transformer-based model predicts conflict zone occupancy over a five-second horizon, capturing multi-agent interactions to anticipate upcoming conflicts and available gaps. The prediction outputs encode uncertainty in future motion and intent, and augment the state of a classical RL framework, enabling uncertainty-aware speed coordination. Evaluated in simulations grounded in real-world data, ROSA-RL can effectively handle uncertainty and outperform a comparable model-based baseline, closing the gap to an ideal setting assuming fully known occupancy while improving traffic efficiency and safety. The source code of this work is available under: github.com/urbanAIthi/ROSA-RL.