使用变分自编码器学习安全监控的自主机器人最后一公里配送的有效搜索空间

使用自主机器人向客户配送货物是一种令人振奋的、可提供可靠且可持续服务的新方式。然而在现实世界中，出于安全原因，自主机器人仍需要人工监督。我们着手解决这一现实问题：优化自主机器人时序以最大化配送量，同时确保同时运行的机器人数量不过多，从而能够被安全监控。我们评估了近期提出的混合机器学习-优化方法 COIL（学习潜空间中的约束优化）的使用，并将其与基线遗传算法进行比较，以探索该问题的多种变体。我们还研究了提升 COIL 速度与效率的新方法。我们表明，仅 COIL 能为所有测试的问题变体找到同时运行机器人数量适当的有效解。我们还表明，当 COIL 学习到其潜表示后，其优化速度比遗传算法快 10%，这使其成为每日对机器人重新优化的良好选择——在每日将配送请求分配给机器人的同时，保持同时运行机器人数量安全。