自主按需出行系统的数据驱动模型预测控制
机器人学
2017-09-22 v1 多智能体系统
系统与控制
应用统计
摘要
本文的目标是提出一个端到端的、数据驱动的框架来控制自主按需出行系统（AMoD，即自动驾驶车队）。我们首先使用时间扩展网络对 AMoD 系统进行建模，并提出一个公式，用于计算给定出行需求下的最优重新平衡策略（即抢占式重新定位）和最小可行车队规模。然后，我们调整该公式以设计一种模型预测控制 (MPC) 算法，该算法利用基于历史数据的短期需求预测来计算重新平衡策略。我们利用最先进的 LSTM 神经网络预测客户需求以及来自 DiDi Chuxing 的真实客户数据测试了该控制器的端到端性能：我们表明该方法对于大型系统具有很好的可扩展性（事实上，MPC 算法的计算复杂度不依赖于系统中客户和车辆的数量），并且通过将平均客户等待时间减少高达 89.6%，优于最先进的重新平衡策略。
引用
@article{arxiv.1709.07032,
title = {Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems},
author = {Ramon Iglesias and Federico Rossi and Kevin Wang and David Hallac and Jure Leskovec and Marco Pavone},
journal= {arXiv preprint arXiv:1709.07032},
year = {2017}
}
备注
Submitted to the International Conference on Robotics and Automation 2018