电动自动驾驶汽车在自动驾驶按需系统中的鲁棒调度平衡：一种多智能体强化学习方法
多智能体系统
2023-08-01 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
电动自动驾驶汽车（EAVs）因其经济与社会效益，在未来自动驾驶按需（AMoD）系统中受到关注。然而，EAVs独特的充电模式（长充电时间、高充电频率、不可预测的充电行为等）使得在电动AMoD（E-AMoD）系统中准确预测EAVs供给具有挑战性。此外，出行需求预测的不确定性使得在供需不确定下设计一体化的车辆平衡方案成为一项紧迫且艰巨的任务。尽管基于强化学习的E-AMoD平衡算法已取得进展，但在电动汽车供给或出行需求下的状态不确定性仍未被探索。本工作中，我们设计了一种基于多智能体强化学习（MARL）的E-AMoD系统EAVs平衡框架，引入对抗智能体来建模可能破坏车辆平衡方案的EAVs供给与出行需求不确定性。我们进而提出一种鲁棒E-AMoD平衡MARL（REBAMA）算法，训练鲁棒的EAVs平衡策略，以平衡全市的供需比与充电利用率。实验表明，相较于未考虑状态不确定性的非鲁棒MARL方法，我们所提鲁棒方法的奖励、充电利用公平性与供需公平性分别提升19.28%、28.18%与3.97%；相较于基于鲁棒优化的方法，该MARL算法的奖励、充电利用公平性与供需公平性分别提升8.21%、8.29%与9.42%。
引用
@article{arxiv.2307.16228,
title = {Robust Electric Vehicle Balancing of Autonomous Mobility-On-Demand System: A Multi-Agent Reinforcement Learning Approach},
author = {Sihong He and Shuo Han and Fei Miao},
journal= {arXiv preprint arXiv:2307.16228},
year = {2023}
}
备注
accepted to International Conference on Intelligent Robots and Systems (IROS2023)