論文の概要: Emergent Charging Coordination in Electric Delivery Fleets

• arxiv url: http://arxiv.org/abs/2609.07689v1
• Date: Mon, 07 Sep 2026 16:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.46595
• Title: Emergent Charging Coordination in Electric Delivery Fleets
• Title（参考訳）: 配電系統における創発的帯電調整
• Abstract要約: 電気輸送車両では、各車両がいつ、いつ、どこで、いつ、いつ、どれくらい充電するかを安全床の上のバッテリーで決めなければならない。 すべての車両が同じポリシーを実行し、時間予算と放送局の占有率からのみ決定します。 我々はこのパラダイムを20都市の実際のOpenStreetMapネットワーク上でシミュレーションで検証し、それぞれが調整されたOracleによる凍結シナリオ(時間内に完了したシフトの99.5%)で検証する。 神経進化(NEAT)と政策勾配(PPO)を4つの都市で訓練し、ゼロショットを20、16の未確認領域に展開するエージェント
• 参考スコア（独自算出の注目度）: 0.6187780920448871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In electric delivery fleets, mid-shift charging is non-trivial: each vehicle must decide when, where and how much to charge to finish on time with battery above a safety floor. The choices are coupled: queues build where too many vehicles pick the same station. Prior work resolves this coupling with central dispatching, precomputed schedules or reservations, machinery that charging infrastructure rarely supports. Instead, we use a family of learning agents under purely local control: every vehicle runs the same policy, deciding alone from its time budgets and broadcast station occupancies, leading to emergent coordination without central control or messaging. We validate this paradigm in simulation on real OpenStreetMap networks of twenty cities, each with a frozen scenario calibrated by an omniscient Oracle (99.5% of shifts completed on time), whereas a naive greedy rule (nearest station on low battery) completes just 73%. Agents trained with neuroevolution (NEAT) and policy gradients (PPO) on four cities and deployed zero-shot across all twenty, sixteen never seen in training, complete 96.8% and 98.6% of shifts, with the policy-gradient controllers proving more robust when demand or vehicle characteristics drift beyond the trained regime. In contrast, tuned threshold heuristics that read vehicle urgency alone fall short in contended cities (~80%). Through training, these learning agents rediscover partial charging and short opportunistic sessions, and route around busy stations, cutting per-session queue waits from about 45 minutes to under 2. In summary, this coordination paradigm balances local urgency against public occupancy, reaching near-Oracle performance at minimal implementation cost.
• Abstract（参考訳）: 電動配送では、ミッドシフト充電は簡単ではない。各車両は、安全床の上にバッテリーを積んで、いつ、どこで、どのくらい充電を完了するかを決めなければならない。 行列は、多すぎる車両が同じ駅を選ぶように構築される。 以前の作業では、集中的なディスパッチ、事前計算されたスケジュール、予約、充電インフラがほとんどサポートしない機械との結合が解決されていた。 すべての車両が同じポリシーを実行し、時間予算と放送局の占有率から単独で決定し、中央管理やメッセージなしで緊急調整する。 我々は、このパラダイムを20都市の実際のOpenStreetMapネットワーク上でシミュレーションで検証し、それぞれが全能なOracle(99.5%のシフトが時間通りに完了した)によって調整された凍結シナリオを持つ。 神経進化(NEAT)と政策勾配(PPO)で訓練されたエージェントは、4つの都市でゼロショット(ゼロショット)を配備し、20、16の訓練で一度も見られず、96.8%と98.6%のシフトを達成した。 対照的に、車両の緊急性のみを読み取る調整されたしきい値ヒューリスティックは、競合する都市(〜80%)では不足している。 トレーニングを通じて、これらの学習エージェントは、部分充電と短い機会セッションを再発見し、忙しい駅を回り、セッション当たりの待ち行列を約45分から2分以下に短縮する。 まとめると、この調整パラダイムは、ローカルな緊急性と公共の占有とのバランスを保ち、最小限の実装コストでオラクルに近いパフォーマンスに到達します。

関連論文リスト

• Resilient Charging Infrastructure via Decentralized Coordination of Electric Vehicles at Scale [37.56003520528009]
  既存の分散化アプローチは、駅の停電や充電要求の予期せぬ急激な急激な急激な急激な増加など、厳しい状況下で苦労している。 我々は、EVがシステム全体の効率に対して、選択した個人の快適さをバランスさせることのできる、新しい学習ベースの協調フレームワークを提案する。 このフレームワークでは、EVは快適さと効率を優先的にシフトする適応的な充電行動のために推奨される。
  論文  参考訳（メタデータ） (2025-11-26T00:32:23Z)
• Reinforcement Learning for Hybrid Charging Stations Planning and Operation Considering Fixed and Mobile Chargers [16.831541035603557]
  車両の電気化は、効率的で適応可能な充電インフラに依存している。 固定位置充電ステーションは需要変動による不使用や混雑に悩まされることが多いが、移動充電ステーションは必要に応じて移動することで柔軟性を提供する。 本稿では,都市道路網内の固定充電器と移動充電器を併用したハイブリッド充電インフラの最適計画と運用について検討する。
  論文  参考訳（メタデータ） (2025-06-20T05:51:02Z)
• Multi-Agent Deep Reinforcement Learning for Distributed and Autonomous Platoon Coordination via Speed-regulation over Large-scale Transportation Networks [2.4919288454226796]
  トラック小隊技術により、トラックのグループは、燃料を節約し、交通効率を向上し、安全性を向上させることができる。 本稿では,大規模輸送ネットワークにおける小隊調整の問題について考察し,トラック間の連携を促進し,全体の効率を最適化する。
  論文  参考訳（メタデータ） (2024-12-02T03:21:40Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• Coalitional Bargaining via Reinforcement Learning: An Application to Collaborative Vehicle Routing [49.00137468773683]
  コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。 これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。 しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか? シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
  論文  参考訳（メタデータ） (2023-10-26T15:04:23Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Embedding Synthetic Off-Policy Experience for Autonomous Driving via Zero-Shot Curricula [48.58973705935691]
  我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。 次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
  論文  参考訳（メタデータ） (2022-12-02T18:57:21Z)
• Reinforcement Learning-based Placement of Charging Stations in Urban Road Networks [0.0]
  我々は、充電ステーション配置問題(PCRL)を解決するための新しいDeep Reinforcement Learningアプローチを設計する。 既存のインフラストラクチャと比較して、待ち時間を最大97%削減し、メリットを最大497%向上することが可能です。
  論文  参考訳（メタデータ） (2022-06-13T10:03:32Z)
• Sequential Online Chore Division for Autonomous Vehicle Convoy Formation [48.839270836400004]
  本稿では,SOCD (Sequence Online Chore Division) と呼ばれる新しい変種を紹介する。 SOCDでは、正確に1人のエージェントがいつでもコレを実行し、パフォーマーを切り替えるにはコストがかかります。 サイドペイメントを用いた1つの集中メカニズムと、参加者の負荷のバランスを図る2つの分散メカニズムの3つのメカニズムを提案し、分析する。
  論文  参考訳（メタデータ） (2021-04-09T02:28:28Z)
• Flatland Competition 2020: MAPF and MARL for Efficient Train Coordination on a Grid World [49.80905654161763]
  車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。 現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
  論文  参考訳（メタデータ） (2021-03-30T17:13:29Z)
• An electric vehicle charging station access equilibrium model with M/D/C queueing [0.0]
  本稿では,M/D/Cキュー近似を非微分非線形プログラムとして用いたEV-to-charging station user equilibrium (UE)割り当てモデルを提案する。 このモデルは、2020年7月8日時点のニューヨーク市全体行政サービス(NYC DCAS)およびEV充電ステーションの構成に関する大規模なケーススタディに適用される。 その結果,高い待ち待ち時間ではなく,高い利用率の場所の選択に基づくポリシが示唆された。
  論文  参考訳（メタデータ） (2021-02-11T05:23:36Z)

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。