[論文レビュー] Planning and Operations of Mixed Fleets in Mobility-on-Demand Systems

Kaidi Yang, Matthew Tsao+2 more|arXiv (Cornell University)|Aug 18, 2020

Transportation and Mobility Innovations参考文献 28被引用数 8

ひとこと要約

本稿では、Mobility-on-Demand（MoD）システムにおける自動運転車（AV）と人間運転車（HVs）の混在するフリートを調整するため、スタックルベルクゲームに基づくフレームワークを提案する。2段階の手法を採用：ステディステートモデルによる計画と、モデル予測制御（MPC）アルゴリズムによるリアルタイム運用。戦略的補償とHVの行動モデル化を通じて、システム全体の収益を最大32％向上させ、性能を12％向上させる。

ABSTRACT

Automated vehicles (AVs) are expected to be beneficial for Mobility-on-Demand (MoD), thanks to their ability of being globally coordinated. To facilitate the steady transition towards full autonomy, we consider the transition period of AV deployment, whereby an MoD system operates a mixed fleet of automated vehicles (AVs) and human-driven vehicles (HVs). In such systems, AVs are centrally coordinated by the operator, and the HVs might strategically respond to the coordination of AVs. We devise computationally tractable strategies to coordinate mixed fleets in MoD systems. Specifically, we model an MoD system with a mixed fleet using a Stackelberg framework where the MoD operator serves as the leader and human-driven vehicles serve as the followers. We develop two models: 1) a steady-state model to analyze the properties of the problem and determine the planning variables (e.g., compensations, prices, and the fleet size of AVs), and 2) a time-varying model to design a real-time coordination algorithm for AVs. The proposed models are validated using a case study inspired by real operational data of a MoD service in Singapore. Results show that the proposed algorithms can significantly improve system performance.

研究の動機と目的

• 完全自動化への移行段階におけるMoDシステムにおける車両の不均衡問題に対処すること。この段階ではAVとHVsが共存する。
• AVは中央で管理されるが、HVsは自己利益に基づいて行動するという戦略的行動をモデル化すること。
• 混在フリートのMoDシステムにおける計画およびリアルタイム調整のための計算的に実行可能な戦略を開発すること。
• シンガポールのMoDサービスから得た実際の運用データを用いて、提案されたフレームワークを検証すること。
• AVの統合とHVsに対する補償メカニズムの最適化によるパフォーマンス向上の程度を定量化すること。

提案手法

• MoDオペレータをリーダー、HVsをフォロワーとするスタックルベルクゲームとして、混在フリートの調整問題を定式化する。
• システム均衡を分析し、最適な計画変数（AVフリート規模、価格、補償など）を特定するためのステディステートモデルを構築する。
• 動的需要とHVsの反応に基づくリアルタイムAV調整を可能にする、時間変化型のモデル予測制御（MPC）アルゴリズムを提案する。
• VOT（時間の価値）および重みパラメータのパrameterのずれに対するMPCのロバストネスを評価するため、局所感度分析（ワンアットアタイム法）を組み込む。
• 実世界のデータを用いて、現実のネットワークおよび需要条件下でのモデルのキャリブレーションと検証を実施する。
• 先行研究から得た非線形応答関数を用いてHVsの行動をモデル化し、インcentiveに基づく戦略的乗車選択を捉える。

実験結果

リサーチクエスチョン

• RQ1 AVが中央で管理されるがHVsが自己利益に基づいて行動するMoDシステムにおいて、AVとHVsの混在フリートを最適に調整する方法は何か？
• RQ2 収益向上に寄与する主要な計画変数（補償、価格、AVフリート規模など）は何か？ これらが混在フリートMoDシステムのシステム全体のパフォーマンスを最大化するにはどうなるか？
• RQ3 MPCによるリアルタイム調整は、分散型のHVs行動と比較して、システムパフォーマンスをどのように向上させるか？
• RQ4 HVsの時間の価値（VOT）や目的関数におけるHVs行動の重みパラメータの推定誤差に対して、MPCのパフォーマンスはどの程度感度を示すか？
• RQ5 AVの統合とHVsへの戦略的補償により、システム全体の収益はどの程度向上できるか？

主な発見

• 提案されたMPCベースの調整戦略により、AVが存在しないベースラインと比較して、システム全体の収益が最大32％向上した。
• HVsに対する補償を最適化することで、HVsが割り当てられた乗車を受けるよう促進され、システム全体の収益が8％向上した。
• HVsの行動を考慮した戦略的計画により、このような調整が行われないベースラインと比較して12％のパフォーマンス向上が達成された。
• MPCアルゴリズムはパrameterのずれに対してロバストである：HVの時間の価値（VOT）が0.2–0.3 SGD/minの範囲内にあり、重みパラメータλが3を超える限り、パフォーマンスは安定した。
• 感度分析の結果、VOTの推定値が真の値から大きく外れている場合、またはλが小さすぎる場合にはパフォーマンスが著しく低下することが判明し、正確なパrameterキャリブレーションの重要性が示された。
• 本フレームワークはシンガポールの実運用データを用いて検証され、実世界のMoDシステムへの実用的適用性とスケーラビリティを示した。