JPDS-NN：用于农业车辆路径优化的强化学习动态任务分配
机器人学
2025-03-05 v1 人工智能
摘要
入口依赖车辆路径问题（EDVRP）是车辆路径问题（VRP）的一种变体，其中城市规模影响路径规划结果，因此需要考虑其入口。本文研究农业领域的 EDVRP，重点关注不规则形状田地的多参数车辆规划。为了解决传统方法（如启发式方法）常忽略田地几何形状和入口约束的局限性，我们提出了一种联合概率分布采样神经网络（JPDS-NN）来有效求解 EDVRP。该网络采用带有图 Transformer 和注意力机制的编码器-解码器架构，将路径规划建模为马尔可夫决策过程，并通过强化学习进行训练，以实现高效、快速的端到端规划。实验结果表明，JPDS-NN 使行驶距离减少了 48.4-65.4%，油耗降低了 14.0-17.6%，计算速度比基线方法快两个数量级，同时在动态调度场景中表现出 15-25% 的优越性能。消融实验验证了交叉注意力和预训练的必要性。该框架支持在动态约束下实现大规模农业的可扩展智能路径规划。
引用
@article{arxiv.2503.02369,
title = {JPDS-NN: Reinforcement Learning-Based Dynamic Task Allocation for Agricultural Vehicle Routing Optimization},
author = {Yixuan Fan and Haotian Xu and Mengqiao Liu and Qing Zhuo and Tao Zhang},
journal= {arXiv preprint arXiv:2503.02369},
year = {2025}
}
备注
8 pages, 7 figures, submitted to IROS 2025