論文の概要: FlexPool: A Distributed Model-Free Deep Reinforcement Learning Algorithm
for Joint Passengers & Goods Transportation
- arxiv url: http://arxiv.org/abs/2007.13699v2
- Date: Sun, 20 Sep 2020 19:09:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:30:13.262600
- Title: FlexPool: A Distributed Model-Free Deep Reinforcement Learning Algorithm
for Joint Passengers & Goods Transportation
- Title（参考訳）: FlexPool: ジョイント乗客と商品輸送のための分散モデルフリーの深層強化学習アルゴリズム
- Authors: Kaushik Manchella and Abhishek K. Umrawal and Vaneet Aggarwal
- Abstract要約: 本稿では,乗用車と貨物輸送を組み合わせることで,車両による輸送を改善することを検討する。
我々はFlexPoolを提案する。FlexPoolは分散モデルなしの深層強化学習アルゴリズムで、乗客や商品のワークロードを共同で処理する。
また,FlexPoolはフリート利用率を30%向上し,燃料効率を35%向上することを示した。
- 参考スコア（独自算出の注目度）: 36.989179280016586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growth in online goods delivery is causing a dramatic surge in urban
vehicle traffic from last-mile deliveries. On the other hand, ride-sharing has
been on the rise with the success of ride-sharing platforms and increased
research on using autonomous vehicle technologies for routing and matching. The
future of urban mobility for passengers and goods relies on leveraging new
methods that minimize operational costs and environmental footprints of
transportation systems.
This paper considers combining passenger transportation with goods delivery
to improve vehicle-based transportation. Even though the problem has been
studied with a defined dynamics model of the transportation system environment,
this paper considers a model-free approach that has been demonstrated to be
adaptable to new or erratic environment dynamics. We propose FlexPool, a
distributed model-free deep reinforcement learning algorithm that jointly
serves passengers & goods workloads by learning optimal dispatch policies from
its interaction with the environment. The proposed algorithm pools passengers
for a ride-sharing service and delivers goods using a multi-hop transit method.
These flexibilities decrease the fleet's operational cost and environmental
footprint while maintaining service levels for passengers and goods. Through
simulations on a realistic multi-agent urban mobility platform, we demonstrate
that FlexPool outperforms other model-free settings in serving the demands from
passengers & goods. FlexPool achieves 30% higher fleet utilization and 35%
higher fuel efficiency in comparison to (i) model-free approaches where
vehicles transport a combination of passengers & goods without the use of
multi-hop transit, and (ii) model-free approaches where vehicles exclusively
transport either passengers or goods.
- Abstract（参考訳）: オンライン商品配達の伸びは、ラストマイル配達による都市交通の急増をもたらしている。
一方、ライドシェアリングはライドシェアリングプラットフォームの成功と、ルートやマッチングに自動運転車技術を使う研究の増加によって、上昇を続けている。
乗客と商品の都市移動の未来は、交通システムの運用コストと環境フットプリントを最小化する新しい方法を活用することにかかっている。
本稿では,乗用車と貨物輸送の併用による車両輸送の改善について考察する。
本報告では, 交通システム環境の動的モデルを用いて, 新たな環境力学や不規則な環境力学に適応することが実証されたモデルフリーアプローチについて考察する。
本研究では,FlexPoolを提案する。FlexPoolは,環境とのインタラクションから最適なディスパッチポリシを学習することで,利用者や商品のワークロードを協調的に処理する分散モデルフリーの深層強化学習アルゴリズムである。
提案アルゴリズムは、乗客を乗り合いサービスにプールし、マルチホップトランジット方式で商品を配送する。
これらの柔軟性は、乗客や商品のサービス水準を維持しつつ、艦隊の運用コストと環境フットプリントを減少させる。
リアルなマルチエージェント都市移動プラットフォーム上でのシミュレーションを通じて、flexpoolが乗客と商品の要求に応える上で、他のモデルフリーな設定よりも優れていることを実証する。
FlexPoolは艦隊利用率を30%向上し、燃料効率を35%向上させる
(i)多目的輸送を使わずに車両が乗客と商品の組み合わせを輸送するモデルフリーアプローチ
(ii)車両が乗客または商品のみを輸送するモデルフリーアプローチ。
関連論文リスト
- A methodological framework for Resilience as a Service (RaaS) in multimodal urban transportation networks [0.0]
本研究は,サービス戦略としてのレジリエンスを通じて公共交通の混乱を管理することを目的としている。
効率よく資源を割り当て、オペレーターと乗客のコストを最小限に抑える最適化モデルを開発する。
提案手法はイル・ド・フランス、パリ、郊外のケーススタディに適用された。
論文 参考訳（メタデータ） (2024-08-30T12:22:34Z) - GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。
本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。
モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。
私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
論文 参考訳（メタデータ） (2024-05-03T00:29:20Z) - Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach [4.44413304473005]
都市間配車サービスは、従来の都市間バスサービスをアップグレードする大きな可能性を秘めている。
オンラインオペレーションは、都市間の車両資源配分とプールドライド車両ルーティングの結合により、固有の複雑さに悩まされている。
本研究では,オンラインフリート管理を容易にするための2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-13T13:31:01Z) - Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。
モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。
本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
論文 参考訳（メタデータ） (2023-06-29T15:57:07Z) - Value Function is All You Need: A Unified Learning Framework for Ride
Hailing Platforms [57.21078336887961]
DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。
両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:22:24Z) - Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems
using Multi-objective Reinforcement Learning [79.61517670541863]
ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用
DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
論文 参考訳（メタデータ） (2021-01-19T03:09:51Z) - PassGoodPool: Joint Passengers and Goods Fleet Management with
Reinforcement Learning aided Pricing, Matching, and Route Planning [29.73314892749729]
本稿では,商品と旅客輸送を組み合わせた需要対応型艦隊管理フレームワークを提案する。
提案手法は,分散システムの成長に伴う計算コストを最小限に抑えるため,各車両内で独立して展開可能である。
論文 参考訳（メタデータ） (2020-11-17T23:15:03Z) - A Distributed Model-Free Ride-Sharing Approach for Joint Matching,
Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。
我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。
実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2020-10-05T03:13:47Z) - Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case
Study in New York Manhattan Island [14.501650948647324]
従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した
艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。
また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
論文 参考訳（メタデータ） (2020-09-06T16:00:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。