[論文レビュー] Efficient algorithms for autonomous electric vehicles' min-max routing problem.

Seyed Sajjad Fazeli, Saravanan Venkatachalam+1 more|arXiv (Cornell University)|Aug 7, 2020

Transportation and Mobility Innovations参考文献 29被引用数 5

ひとこと要約

本稿では、限られたバッテリー容量とスパarsな充電ステーションを考慮して、いかなる車両の移動距離も最小化するための自律電気自動車ルーティング問題（AEVRP）を提案する。ROSを用いたシミュレーションと計算実験を通じて検証された遺伝的アルゴリズムに基づくメタヒューリスティックを導入し、現実の制約下でも効率的なルーティングソリューションを提示する。

ABSTRACT

Increase in greenhouse gases emission from the transportation sector has led companies and government to elevate and support the production of electric vehicles. The natural synergy between increased support for electric and emergence of autonomous vehicles possibly can relieve the limitations regarding access to charging infrastructure, time management, and range anxiety. In this work, a fleet of Autonomous Electric Vehicles (AEV) is considered for transportation and logistic capabilities with limited battery capacity and scarce charging station availability are considered while planning to avoid inefficient routing strategies. We introduce a min-max autonomous electric vehicle routing problem (AEVRP) where the maximum distance traveled by any AEV is minimized while considering charging stations for recharging. We propose a genetic algorithm based meta-heuristic that can efficiently solve a variety of instances. Extensive computational results, sensitivity analysis, and data-driven simulation implemented with the robot operating system (ROS) middleware are performed to corroborate the efficiency of the proposed approach, both quantitatively and qualitatively.

研究の動機と目的

• 限られたバッテリー容量とスパarsな充電インfraストラクチャの影響による自律電気自動車（AEV）のフリートにおける非効率なルーティングの課題に対処すること。
• 利用可能な充電ステーションでの再充電を統合しながら、すべてのAEVのうち最大の移動距離を最小化する最小最大ルーティング問題（AEVRP）を定式化すること。
• 現実の運用制約下でも多様なルーティングインスタンスを扱えるスケーラブルで効率的なソリューション手法を開発すること。
• データ駆動型シミュレーションおよびリアルタイムミドルウェア（ROS）を用いた定量的および定性的な分析を通じて、提案手法の妥当性を検証すること。

提案手法

• すべてのAEVが走行する最長ルートを最小化する目的関数として、AEVRPを最小最大最適化問題として定式化すること。
• バッテリー容量および充電ステーションの可用性に関する制約を組み込みつつ、車両のルート経路を探索・最適化する遺伝的アルゴリズムに基づくメタヒューリスティックを設計すること。
• ロボットオペレーティングシステム（ROS）ミドルウェアと統合し、AEVの挙動および動的環境との相互作用を現実的にシミュレート可能にする。
• 充電ステーションの密度やバッテリー走行距離といった主要パラメータの影響を評価する感度分析を実施すること。
• さまざまなフリート規模およびインfra構成を想定した複数の問題インスタンスにおいて、性能をベンチマークするための計算実験を実装すること。
• データ駆動型シミュレーションを用いて、再充電時間やエネルギー消費プロファイルを含む現実の運用ダイナミクスをモデル化すること。

実験結果

リサーチクエスチョン

• RQ1 バッテリー容量および充電ステーションの可用性を尊重した上で、すべてのAEVにおける最大移動距離をどのように最小化できるか？
• RQ2 提案された遺伝的アルゴリズムは、ソリューション品質および計算効率の観点で、ベースラインルーティング戦略をどの程度上回るか？
• RQ3 充電ステーションの密度およびバッテリー走行距離の変動が、ルーティングソリューションの最適性および実行可能性にどのように影響するか？
• RQ4 ROSミドルウェアの統合により、動的かつ制約のある環境下でのAEVルーティングの現実的シミュレーションが可能になるか？

主な発見

• 提案された遺伝的アルゴリズムに基づくメタヒューリスティックは、計算実験において従来のルーティング戦略を上回る性能を示し、AEVフリート全体の最大ルート距離を効果的に短縮した。
• 感度分析の結果、充電ステーションの密度を高めることで最大ルート長が顕著に短縮されることが判明し、インフラ整備がルーティング効率に与える重要性が強調された。
• ROSを用いたシミュレーションにより、動的でマルチエージェントな状況下でも、提案されたルーティングソリューションの実現可能性およびリアルタイムでの適応可能性が確認された。
• 本手法は、異なるフリート規模やバッテリー容量を想定した多様な問題インスタンスにおいても安定した性能を示し、スケーラビリティが裏付けられた。
• 定量的結果から、ルート最適化において一貫した改善が得られ、大規模なテストケースにおいて最小最大目的関数が近似的最適解に近い結果を達成した。
• 戦略的な再充電ステップの統合により、走行距離の不安（range anxiety）が効果的に軽減され、エネルギーの利用効率が向上した。