据盖世汽车11月9日报道，马里兰大学土木与环境工程系副教授、马里兰交通研究所所长Xianfeng “Terry” Yang正利用强化学习训练自动驾驶“驾驶员”以应对各种危险状况，旨在解决系统在瞬间生死决策中缺乏足够训练的短板。结合同期其他高校与企业的研发节点来看，强化学习在自动驾驶安全领域的渗透率正在加速提升，这标志着行业技术重心正从基础感知向复杂决策层发生结构性变化。
| 研发主体 | 核心技术路径 | 关键量化指标/规模 | 信息来源及时间 |
|---|---|---|---|
| 马里兰大学 | 强化学习（RL） | 聚焦瞬间生死决策场景训练 | 盖世汽车，11月9日 |
| 南洋理工大学（NTU） | 人机引导式持续学习 | “伦理风险”降至初始水平约十分之一（0.1倍） | 第一电动网，11月2日 |
| 《Results in Engineering》研究 | 无填充网络化多智能体强化学习（MARL） | 单策略零样本迁移至25交叉口；100次留出运行每回合碰撞数0.43次 | 生物通，11月8日 |
| 文远知行（商业化参照） | L4级自动驾驶全生命周期运营 | 覆盖13个国家、60多座城市；车辆总数约3,600辆，Robotaxi超1,800辆 | 中国财富网，11月4日 |
从上述数据结构可以看出，学术界针对自动驾驶安全的研发正呈现多路径并行的态势。马里兰大学的强化学习方案占比虽无法直接量化，但其瞄准的“瞬间决策”痛点，正是当前L4级自动驾驶规模化落地中最大的长尾难题。作为参照，文远知行目前在全球部署约3,600辆L4级车辆，其10月27日宣布的全球保险合作计划表明，商业化车队规模扩大的同时，单车经济性与风险保障成本呈强正相关。若强化学习能将极端工况下的事故率环比降低，其对整体保险定价模型的重塑作用将极为显著。
观察近期密集发布的技术成果，趋势形态呈现出明显的“从规则驱动向强化学习迁移”的特征。传统自动驾驶系统一旦投入实际运行，其知识体系便基本固定，面对未涵盖情况时无法像人类一样持续学习。而马里兰大学Yang团队指出，自动驾驶汽车不会犯人为错误也不会分心，但自身存在决策短板。这一判断与南洋理工大学Lyu Chen教授团队的实地验证数据形成呼应：后者通过几轮人工引导纠正，使车辆的“伦理风险”指标降至初始水平的约十分之一。这种数量级的下降说明，基于人类反馈或强化学习的动态训练机制，正在替代静态规则库，成为提升安全渗透率的主流方向。
进一步对比历史同期的技术路线，早期基于固定智能体集合的多智能体强化学习（MARL）方法在面对动态车流时往往需要“填充”处理，导致计算浪费。而11月8日披露的最新MARL研究显示，采用无填充网络化架构后，单一共享策略已能实现跨车道数、密度的零样本迁移，并在100次留出运行中将每回合碰撞数控制在0.43次。这表明强化学习算法的泛化能力正在经历指数级迭代，其持续时间的缩短意味着技术成熟度曲线正在陡峭化。
归因拆解这一系列技术动作，核心驱动力在于量、价、结构三个维度的共振。首先是“量”的扩张：以文远知行为例，其业务已覆盖13个国家、60多座城市，超过1,800辆Robotaxi产生的海量真实跨城市运营数据，为强化学习模型提供了不可或缺的样本基数。没有足够的边缘场景数据，马里兰大学所关注的“关乎生死的决策”就无法得到有效训练。
其次是“价”的约束：自动驾驶规模化面临极高的试错成本。南洋理工大学的研究指出，将系统转移到新地方不仅是改变地图，重新收集数据并从头训练的成本极易被低估。强化学习和持续学习机制的本质，是通过算法优化降低边际训练成本，使单车经济性得以改善。
最后是“结构”的转变：行业研发结构正从单一的感知硬件堆叠，转向决策逻辑的深度优化。马里兰大学致力于让技术达到上路标准并最大化道路交通系统的运行效率，这说明技术研发的考核指标已从单纯的“识别准确率”转变为综合的“系统运行效率”与“安全决策成功率”。
映射至整个汽车行业，马里兰大学利用强化学习训练自动驾驶应对危险状况的进展，并非孤立事件，而是自动驾驶进入深水区后的必然要求。当L4级车队规模突破千辆级别并向万辆迈进时，仅靠预设规则已无法覆盖所有长尾风险。学术界通过强化学习、持续学习以及网络化多智能体协同等多维度探索，正在为产业界提供底层算法支撑。这种产学研的结构性联动说明，未来自动驾驶的竞争壁垒将不再局限于传感器数量或算力大小，而在于系统面对未知危险时的决策质量与进化速度。
下期关注要点：强化学习算法在真实开放道路中的实测碰撞率环比变化；头部自动驾驶企业将学术界的持续学习框架转化为量产代码的周期与渗透率；以及随着全球车队规模扩大，基于新算法优化的保险产品对单车运营成本的实际降幅。