論文の概要: Robust Electric Vehicle Balancing of Autonomous Mobility-On-Demand
System: A Multi-Agent Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2307.16228v1
- Date: Sun, 30 Jul 2023 13:40:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 16:47:53.582698
- Title: Robust Electric Vehicle Balancing of Autonomous Mobility-On-Demand
System: A Multi-Agent Reinforcement Learning Approach
- Title（参考訳）: 自律移動型オンデマンドシステムのロバストな電気自動車バランス:マルチエージェント強化学習アプローチ
- Authors: Sihong He, Shuo Han, Fei Miao
- Abstract要約: 電気自動車(EAV)は、将来の自動運転モビリティ・オン・デマンド(AMoD)システムで注目を集めている。
EAVのユニークな充電パターンは、E-AMoDシステムにおけるEAVの供給を正確に予測することを困難にしている。
強化学習に基づくE-AMoDバランスアルゴリズムの成功にもかかわらず、EV供給や移動需要による状態の不確実性は未解明のままである。
- 参考スコア（独自算出の注目度）: 6.716627474314613
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Electric autonomous vehicles (EAVs) are getting attention in future
autonomous mobility-on-demand (AMoD) systems due to their economic and societal
benefits. However, EAVs' unique charging patterns (long charging time, high
charging frequency, unpredictable charging behaviors, etc.) make it challenging
to accurately predict the EAVs supply in E-AMoD systems. Furthermore, the
mobility demand's prediction uncertainty makes it an urgent and challenging
task to design an integrated vehicle balancing solution under supply and demand
uncertainties. Despite the success of reinforcement learning-based E-AMoD
balancing algorithms, state uncertainties under the EV supply or mobility
demand remain unexplored. In this work, we design a multi-agent reinforcement
learning (MARL)-based framework for EAVs balancing in E-AMoD systems, with
adversarial agents to model both the EAVs supply and mobility demand
uncertainties that may undermine the vehicle balancing solutions. We then
propose a robust E-AMoD Balancing MARL (REBAMA) algorithm to train a robust
EAVs balancing policy to balance both the supply-demand ratio and charging
utilization rate across the whole city. Experiments show that our proposed
robust method performs better compared with a non-robust MARL method that does
not consider state uncertainties; it improves the reward, charging utilization
fairness, and supply-demand fairness by 19.28%, 28.18%, and 3.97%,
respectively. Compared with a robust optimization-based method, the proposed
MARL algorithm can improve the reward, charging utilization fairness, and
supply-demand fairness by 8.21%, 8.29%, and 9.42%, respectively.
- Abstract（参考訳）: 電気自動車(EAV)は、経済と社会的利益のために、将来の自動運転モビリティ・オン・デマンド(AMoD)システムに注目を集めている。
しかし、EAVのユニークな充電パターン(充電時間、充電頻度、予測不可能な充電行動など)は、E-AMoDシステムにおけるEAVの供給を正確に予測することが困難である。
さらに、モビリティ需要の予測の不確実性は、需給不確実性の下での統合車両バランスソリューションを設計することが緊急かつ困難な課題となる。
強化学習に基づくE-AMoDバランスアルゴリズムの成功にもかかわらず、EV供給や移動需要による状態の不確実性は未解明のままである。
本研究では,E-AMoDシステムにおけるEAVバランスのためのマルチエージェント強化学習(MARL)ベースのフレームワークを設計し,車両バランスソリューションを損なう可能性のあるEAVサプライとモビリティ要求の不確実性の両方をモデル化する。
次に、都市全体での需給比率と充電利用率のバランスをとるために、ロバストなEAVバランスポリシをトレーニングするためのロバストなE-AMoDバランシングMARL(REBAMA)アルゴリズムを提案する。
提案手法は, 不確実性を考慮しない非ロバストMARL法と比較して, それぞれ19.28%, 28.18%, 3.97%の報奨, 課金利用フェアネス, 需給フェアネスを改善した。
提案手法はロバストな最適化に基づく手法と比較して, 報酬, 課金利用フェアネス, 供給需要フェアネスをそれぞれ8.21%, 8.29%, 9.42%改善できる。
関連論文リスト
- MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。
動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。
実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
論文 参考訳（メタデータ） (2024-10-25T16:20:46Z) - Controlling Large Electric Vehicle Charging Stations via User Behavior Modeling and Stochastic Programming [0.0]
本稿では,現実の制約を組み込んだ電気自動車充電ステーションモデルを提案する。
ユーザが提供する情報を活用する2つのマルチステージプログラミング手法を提案する。
日時依存プロセスに基づくユーザの行動モデルは、顧客満足度を維持しながらコスト削減を促進する。
論文 参考訳（メタデータ） (2024-02-20T18:37:11Z) - A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in
Smart Grids [0.0]
本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。
我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
論文 参考訳（メタデータ） (2024-01-05T06:04:46Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - A Robust and Constrained Multi-Agent Reinforcement Learning Electric
Vehicle Rebalancing Method in AMoD Systems [20.75789597995344]
電気自動車(EV)は、自律型モビリティ・オン・デマンド(AMoD)システムにおいて重要な役割を果たす。
これらのユニークな充電パターンは、AMoDシステムのモデル不確実性を増大させる。
モデル不確実性はEV AMoDシステム再バランスでは明確に考慮されていない。
論文 参考訳（メタデータ） (2022-09-17T03:24:10Z) - A new Hyper-heuristic based on Adaptive Simulated Annealing and
Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem [9.655068751758952]
都市部では環境汚染と地球温暖化を減らすために電気自動車(EV)が採用されている。
社会と経済の持続可能性に影響を与え続けているラストマイルロジスティクスの軌道をルーティングするのにはまだ不足がある。
本稿では,高ヒューリスティック適応アニーリングと強化学習というハイパーヒューリスティックなアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-07T11:10:38Z) - Risk Adversarial Learning System for Connected and Autonomous Vehicle
Charging [43.42105971560163]
我々は、コネクテッドかつ自律的な自動車充電インフラ(CAV-CI)のための合理的意思決定支援システム(RDSS)の設計について検討する。
検討されたCAV-CIでは、配電系統オペレーター(DSO)が電気自動車供給装置(EVSE)を配備し、人間駆動のコネクテッドカー(CV)と自動運転車(AV)のためのEV充電設備を提供する。
人力EVによる充電要求は、実際の需要よりもエネルギーと充電時間を必要とすると不合理になる。
我々は,CAV-CIが解決する新たなリスク対向型マルチエージェント学習システム(ALS)を提案する。
論文 参考訳（メタデータ） (2021-08-02T02:38:15Z) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳（メタデータ） (2021-03-03T20:54:19Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。