[論文レビュー] Heterogeneous Vertiport Selection Optimization for On-Demand Air Taxi Services: A Deep Reinforcement Learning Approach

Aoyu Pang, Maonan Wang+5 more|arXiv (Cornell University)|Jan 29, 2026

Air Traffic Management and Optimization被引用数 0

ひとこと要約

要約: 本論文は、深層強化学習と MSCE および STIN を用いて空地間の都市移動の vertiport 選択とエンドツーエンド経路を最適化する Unified Air-Ground Mobility Coordination (UAGMC) フレームワークを提案し、移動時間の大幅な削減を実現する。

ABSTRACT

Urban Air Mobility (UAM) has emerged as a transformative solution to alleviate urban congestion by utilizing low-altitude airspace, thereby reducing pressure on ground transportation networks. To enable truly efficient and seamless door-to-door travel experiences, UAM requires close integration with existing ground transportation infrastructure. However, current research on optimal integrated routing strategies for passengers in air-ground mobility systems remains limited, with a lack of systematic exploration.To address this gap, we first propose a unified optimization model that integrates strategy selection for both air and ground transportation. This model captures the dynamic characteristics of multimodal transport networks and incorporates real-time traffic conditions alongside passenger decision-making behavior. Building on this model, we propose a Unified Air-Ground Mobility Coordination (UAGMC) framework, which leverages deep reinforcement learning (RL) and Vehicle-to-Everything (V2X) communication to optimize vertiport selection and dynamically plan air taxi routes. Experimental results demonstrate that UAGMC achieves a 34\% reduction in average travel time compared to conventional proportional allocation methods, enhancing overall travel efficiency and providing novel insights into the integration and optimization of multimodal transportation systems. This work lays a solid foundation for advancing intelligent urban mobility solutions through the coordination of air and ground transportation modes. The related code can be found at https://github.com/Traffic-Alpha/UAGMC.

研究の動機と目的

• Air と Ground Transport を協調させて、 door-to-door の統合型 Urban Air Mobility (UAM) を動機づける。
• Air と Ground モードを跨ぐエンドツーエンドの旅客ルーティングの統一最適化モデルを開発する。
• 学習ベースの解決策で vertiport の異質性とリアルタイムダイナミクスに対処する。
• MSCE と STIN を導入して意思決定のために多源異種データを効果的に結合する。

提案手法

• 問題をマルコフ決定過程として定式化し、旅客の vertiport ペアを同時最適化する。
• 深層 RL と V2X データを活用する Unified Air-Ground Mobility Coordination (UAGMC) フレームワークを提案する。
• Multi-Source Contextual Embedding (MSCE) を用いて異種状態情報をエンコードする。
• Spatio-Temporal Integration Network (STIN) を適用して時系列特徴表現を抽出する。
• STIN 特徴に基づく意思決定には Proximal Policy Optimization (PPO) を採用する。
• 疎で遅延する報酬を increment reward に分解して学習を安定化させる。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダルな空地ネットワークにおいて、 departure と landing vertiport を同時選択することでエンドツーエンドの旅客ルーティングを最適化できるか。
• RQ2 vertiport の異質性とリアルタイム混雑が door-to-door の所要時間に与える影響は何か、学習ベースのアプローチはそれに適応できるか。
• RQ3 MSCE と STIN は UAM ルーティングにおける異種・高次元状態空間の学習効率と解の質を改善するか。
• RQ4 提案された UAGMC フレームワークは、ルールベース、待機理論、従来の RL ベースラインと比較して移動時間の点でどの程度優れているか。
• RQ5 V2X 対応の深層 RL は需要変動と車両容量のシナリオで堅牢な性能を発揮できるか。

主な発見

• UAGMC は従来の比例配分法と比較して平均旅行時間を 34% 削減する。
• 利得は主に混雑を考慮した vertiport 選択から生じる。
• MSCE と STIN は需要と容量の変動に対して堅牢な性能を発揮するために必要であることが示された。
• フレームワークは複数の実験設定でベースラインを上回る。
• インクリメンタル報酬設計による疎な報酬の学習効率向上が確認された。