論文の概要: Towards Autonomous and Safe Last-mile Deliveries with AI-augmented
Self-driving Delivery Robots
- arxiv url: http://arxiv.org/abs/2305.17705v1
- Date: Sun, 28 May 2023 12:25:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 17:18:33.867964
- Title: Towards Autonomous and Safe Last-mile Deliveries with AI-augmented
Self-driving Delivery Robots
- Title(参考訳): aiによる自動運転配達ロボットによるラストマイル配送の実現に向けて
- Authors: Eyad Shaklab, Areg Karapetyan, Arjun Sharma, Murad Mebrahtu, Mustofa
Basri, Mohamed Nagy, Majid Khonji, and Jorge Dias
- Abstract要約: ラストマイル・デリバリー(LMD)は、出荷プロセスの最も時間がかかり、コストがかかる段階として有名である。
本稿では,AIによる自律配送ロボットをベースとした,小規模都市コミュニティを対象とした顧客中心型安全意識型LMDシステムを提案する。
- 参考スコア(独自算出の注目度): 4.671260337086703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In addition to its crucial impact on customer satisfaction, last-mile
delivery (LMD) is notorious for being the most time-consuming and costly stage
of the shipping process. Pressing environmental concerns combined with the
recent surge of e-commerce sales have sparked renewed interest in automation
and electrification of last-mile logistics. To address the hurdles faced by
existing robotic couriers, this paper introduces a customer-centric and
safety-conscious LMD system for small urban communities based on AI-assisted
autonomous delivery robots. The presented framework enables end-to-end
automation and optimization of the logistic process while catering for
real-world imposed operational uncertainties, clients' preferred time
schedules, and safety of pedestrians. To this end, the integrated optimization
component is modeled as a robust variant of the Cumulative Capacitated Vehicle
Routing Problem with Time Windows, where routes are constructed under uncertain
travel times with an objective to minimize the total latency of deliveries
(i.e., the overall waiting time of customers, which can negatively affect their
satisfaction). We demonstrate the proposed LMD system's utility through
real-world trials in a university campus with a single robotic courier.
Implementation aspects as well as the findings and practical insights gained
from the deployment are discussed in detail. Lastly, we round up the
contributions with numerical simulations to investigate the scalability of the
developed mathematical formulation with respect to the number of robotic
vehicles and customers.
- Abstract(参考訳): 顧客満足度に対する重要な影響に加えて、ラストマイル配送(LMD)は出荷プロセスの最も時間とコストのかかる段階として有名である。
環境問題と最近のeコマースの売上急増が相まって、ラストマイル物流の自動化と電化への関心が再び高まっている。
既存のロボット配達業者が直面するハードルに対処するため,本稿では,ai支援自律配送ロボットに基づく小規模都市コミュニティを対象とした,顧客中心かつ安全志向のlmdシステムについて紹介する。
提案フレームワークは,実世界の運用上の不確実性,クライアントの好む時間スケジュール,歩行者の安全を考慮しつつ,ロジスティックなプロセスのエンドツーエンドの自動化と最適化を可能にする。
この目的のために、統合最適化コンポーネントは、タイムウインドウを伴う累積容量型車両ルーティング問題のロバストな変種としてモデル化され、経路は、配送の遅延を最小化するために不確定な走行時間の下で構築される(すなわち、顧客の全体的な待ち時間であり、満足度に悪影響を及ぼす)。
ロボットクーリエを1台設置した大学キャンパスにおける実地試験を通じて,提案システムの有用性を実証する。
実装の側面と、配置から得られた知見と実践的な洞察を詳細に論じる。
最後に,ロボット車両数と顧客数に関して,開発した数学的定式化のスケーラビリティを検討するために,数値シミュレーションによる貢献をまとめる。
関連論文リスト
- Synthetic Participatory Planning of Shard Automated Electric Mobility Systems [0.0]
本稿では,大規模言語モデル(LLM)を批判的に活用してデジタルアバターを作成する,新しい合成参加手法を提案する。
これらの調整可能なエージェントは、目標を共同で識別し、SAEMS代替案を構想し、評価し、リスクと制約の下で実施をストラテジズする。
論文 参考訳(メタデータ) (2024-04-18T16:51:23Z) - Individually Rational Collaborative Vehicle Routing through
Give-And-Take Exchanges [4.266376725904727]
本稿では, 協調車両ルーティング問題(CVRP)に焦点をあて, 個別の合理性のレンズによる新しいマルチエージェント手法を提案する。
Give-and-Takeアプローチにより,競合するロジスティクスエージェント間の協力を促進することにより,旅行距離の削減とシステム全体の運用効率の向上が可能であることを示す。
論文 参考訳(メタデータ) (2023-08-31T07:18:37Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - Distributed Reinforcement Learning for Robot Teams: A Review [10.92709534981466]
近年のセンサ,アクティベーション,計算の進歩により,マルチロボットシステムへの扉が開きつつある。
コミュニティはモデルフリーのマルチエージェント強化学習を活用して、マルチロボットシステムのための効率的でスケーラブルなコントローラを開発した。
最近の知見:分散MSSは、非定常性や部分観測可能性などの根本的な課題に直面している。
論文 参考訳(メタデータ) (2022-04-07T15:34:19Z) - Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。
追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。
我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文 参考訳(メタデータ) (2021-12-10T11:49:51Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳(メタデータ) (2021-10-22T15:25:14Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z) - Symbiotic System Design for Safe and Resilient Autonomous Robotics in
Offshore Wind Farms [3.5409202655473724]
Beyond Visual Line of Sight(BVLOS)ロボティクスの障壁には、運用上の安全コンプライアンスとレジリエンスが含まれます。
ロボットプラットフォームと遠隔操作者の相互利益のための知識共有によるライフサイクル学習と共進化を反映した共生システムを提案する。
本手法は,自律ミッションにおける安全性,信頼性,レジリエンスのリアルタイム検証を可能にする。
論文 参考訳(メタデータ) (2021-01-23T11:58:16Z)
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。