FlexPool：一种用于客货联合运输的分布式无模型深度强化学习算法
人工智能
2020-09-22 v2 机器学习
多智能体系统
系统与控制
系统与控制
摘要
在线货物配送的增长正导致最后一公里配送引起的城市车辆交通急剧激增。另一方面，随着拼车平台的成功以及利用自动驾驶车辆技术进行路由与匹配的研究增加，拼车一直在上升。乘客与货物的城市出行未来依赖于利用最小化交通系统运营成本与环境足迹的新方法。本文考虑将客运与货运相结合以改善基于车辆的运输。尽管该问题已在具有明确动力学模型的交通系统环境下被研究，本文考虑一种已被证明能适应新的或 erratic 环境动力学的无模型方法。我们提出 FlexPool，一种分布式无模型深度强化学习算法，通过与环境交互学习最优调度策略，联合服务乘客与货物工作负载。所提算法为拼车服务汇集乘客，并使用多跳中转方法配送货物。这些灵活性降低了车队的运营成本与环境足迹，同时保持乘客与货物的服务水平。通过在真实的多智能体城市出行平台上的仿真，我们证明 FlexPool 在服务乘客与货物需求方面优于其他无模型设置。与（i）车辆在无多跳中转情况下运输乘客与货物组合的无模型方法，以及（ii）车辆专营运输乘客或货物的无模型方法相比，FlexPool 实现了高 30% 的车队利用率与高 35% 的燃油效率。
引用
@article{arxiv.2007.13699,
title = {FlexPool: A Distributed Model-Free Deep Reinforcement Learning Algorithm for Joint Passengers & Goods Transportation},
author = {Kaushik Manchella and Abhishek K. Umrawal and Vaneet Aggarwal},
journal= {arXiv preprint arXiv:2007.13699},
year = {2020}
}
备注
Accepted to IEEE Transactions on Intelligent Transportation Systems