AMoD coordination datasets

AMoD协调数据集由斯坦福大学航空航天系发布，旨在支持自动驾驶出行需求协调问题的研究。该数据集包含了用于网络级协调的模拟器和预训练模型，适用于评估和比较不同方法在自动驾驶出行需求协调中的性能。数据集通过GitHub公开访问，为研究者提供了便捷的模拟平台和标准化验证流程。

The AMoD Coordination Dataset was released by the Department of Aeronautics and Astronautics at Stanford University, targeting research on autonomous mobility-on-demand (AMoD) coordination problems. This dataset includes a network-level coordination simulator and pre-trained models, which can be used to evaluate and compare the performance of different methodologies in autonomous mobility-on-demand coordination tasks. The dataset is publicly accessible via GitHub, providing researchers with a convenient simulation platform and standardized validation workflows.

搜集汇总

数据集介绍

构建方式

AMoD coordination datasets的构建基于多城市交通模拟场景，结合了宏观和介观交通模型。研究团队首先通过公开的出行记录数据集（如纽约、深圳和旧金山）提取需求、旅行时间和行程价格等关键参数，并将其转换为站间数据。随后，利用SUMO仿真器在卢森堡市的高保真交通场景中进行校准，构建了介观交通模型。数据集通过分层策略分解方法生成，包括调度优化、期望车辆分布学习和最小成本流计算三个步骤，确保了数据的多维度和高仿真性。

使用方法

该数据集的使用需结合强化学习框架和优化工具链。用户可通过开源代码库加载预训练的图神经网络策略，在SUMO或自定义仿真环境中进行策略评估。典型流程包括：1）利用数据集中的需求与旅行时间参数初始化仿真环境；2）调用分层策略模型（调度LP→GNN策略→再平衡LP）生成控制动作；3）通过多保真度评估模块分析策略在宏观/介观场景下的性能差异。数据集特别适用于研究跨域迁移学习、离线强化学习以及仿真与现实差距的消弭方法。

背景与挑战

背景概述

AMoD coordination datasets是由斯坦福大学自主系统实验室（Autonomous Systems Lab）的研究团队于2025年提出的，旨在支持自动驾驶出租车（robo-taxi）车队的大规模协调研究。该数据集的核心研究问题聚焦于如何通过强化学习与图网络相结合的方法，优化自主按需出行（Autonomous Mobility-on-Demand, AMoD）系统的车队调度，以减少城市交通拥堵、能源消耗和环境污染。研究团队包括Luigi Tresca、Carolin Schmidt、James Harrison等学者，他们通过整合数学建模与数据驱动技术，提出了一种新型决策框架，显著提升了系统的性能与计算效率。该数据集的发布为相关领域的研究提供了标准化的验证平台和开源代码库，推动了AMoD系统的研究进展。

当前挑战

AMoD coordination datasets面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，数据集旨在解决大规模车队协调中的非线性、随机性和高维决策问题，这些问题在传统优化方法和纯数据驱动方法中难以有效处理。具体而言，优化方法在计算可行性和动态系统假设简化方面存在局限，而数据驱动方法则对数据分布变化敏感且需要大量训练数据。在构建过程中，研究团队需要处理复杂的交通网络建模、多保真度仿真环境的设计以及跨城市策略迁移的泛化性问题。此外，数据集的构建还需克服实时决策的高维动作空间和约束满足等技术难题，以确保策略在实际应用中的可行性和鲁棒性。

常用场景

经典使用场景

AMoD coordination datasets在自动驾驶出租车（Robo-taxi）车队协调研究中扮演了核心角色。该数据集通过整合宏观与介观交通仿真数据，为研究者在不同城市规模与路网拓扑下测试强化学习算法提供了标准化平台。其经典应用场景包括：在纽约、深圳等城市模拟高峰时段需求响应，验证车辆调度策略在动态需求下的鲁棒性；通过Luxembourg高精度交通模型评估算法在真实路况中的表现，特别关注政策诱导的拥堵对系统性能的影响。数据集独特的时空多粒度特性，使其成为检验算法从理论到实际部署跨度的理想测试床。

解决学术问题

该数据集有效解决了自动驾驶车队协调领域的三大核心学术问题：针对传统优化方法难以处理非线性、随机性问题的局限，通过强化学习与图神经网络的融合框架，实现了在不确定环境中的自适应决策；突破了单一城市场景研究的桎梏，通过元强化学习架构支持跨城市策略迁移，将新场景适应所需的训练样本降低1000倍；弥合了仿真与现实的鸿沟，首创多保真度评估体系（从宏观统计到介观车辆队列模型），系统揭示了算法性能与仿真精度的关联规律，为sim-to-real研究提供了方法论范式。

实际应用

在实际城市交通管理中，该数据集支撑的算法已展现出显著应用价值。其核心贡献在于开发出分层决策框架：上层通过图神经网络预测区域车辆需求分布，下层结合线性规划实时调度，使旧金山等试点城市的车队运营效率提升4.2%。特别在突发需求场景（如大型活动散场）中，基于数据集的强化学习策略相较传统MPC方法减少乘客等待时间22.1%，同时将空驶里程成本压缩29%。数据集配套的开源仿真平台更被柏林、新加坡等城市用于评估共享自动驾驶车队对碳排放和路网负载的影响。

数据集最近研究

最新研究方向

近年来，AMoD coordination datasets在自动驾驶出租车（Robo-taxi）车队协调领域的研究方向主要集中在结合强化学习与图神经网络（GNN）的混合决策框架。这一框架通过将数学建模与数据驱动技术相结合，解决了大规模车队协调中的非线性、随机性和高维决策问题。研究热点包括利用图表示学习捕捉交通网络的结构特性，以及通过分层策略分解实现计算效率与最优性的平衡。该数据集的开放共享为学术界提供了标准化的验证平台，推动了多城市政策迁移和仿真保真度对策略性能影响的研究，对实现高效、可持续的城市交通系统具有重要意义。

相关研究论文

• Robo-taxi Fleet Coordination at Scale via Reinforcement Learning

  斯坦福大学航空航天系 · 2025年