[論文レビュー] Fleet management for autonomous vehicles

Sahar Bsaybes, Alain Quilliot+1 more|arXiv (Cornell University)|Sep 6, 2016

Robotic Path Planning Algorithms被引用数 3

ひとこと要約

本稿は、閉鎖型サイト内を走行する自律走行車両がトランパス、エレベーター、タクシーの3モードで運用される動的フリート管理フレームワークを提案する。オンラインアルゴリズムを用いて巡回路長とマクスパンを最小化する。本稿では、MAINアルゴリズムが、朝のシナリオにおいて直線状のエレベーター・モードでマクスパンを2-competitiveに、総巡回路長をCap-competitiveに最小化できることを証明している。

ABSTRACT

The VIPAFLEET project consists in developing models and algorithms for man- aging a fleet of Individual Public Autonomous Vehicles (VIPA). Hereby, we consider a fleet of cars distributed at specified stations in an industrial area to supply internal transportation, where the cars can be used in different modes of circulation (tram mode, elevator mode, taxi mode). One goal is to develop and implement suitable algorithms for each mode in order to satisfy all the requests under an economic point of view by minimizing the total tour length or the makespan. The innovative idea and challenge of the project is to develop and install a dynamic fleet management system that allows the operator to switch between the differ- ent modes within the different periods of the day according to the dynamic transportation demands of the users. We model the underlying online transportation system and propose an according fleet management framework, to handle modes, demands and commands. We propose for each mode appropriate online algorithms and evaluate their performance.

研究の動機と目的

• 1日を通じて変化する需要パターンに応じて、トランパス、エレベーター、タクシーの運行モードを適応的に切り替える動的フリート管理システムの開発。
• 時間依存のリクエストを伴うオンライン輸送問題としてモデル化することで、古典的なオフラインルーティング問題の限界を克服すること。
• 各運用モードに特化したオンラインアルゴリズムを設計・分析し、総巡回路長やマクスパンなどの経済的コストを最小化すること。
• 異なるサブネットワークに異なるアルゴリズムを適用する新しいサブプロブレムクラスタリング戦略を導入し、グローバルな解の品質を向上させること。
• 最悪のリクエストシーケンス下での、提案アルゴリズムの理論的競合比の境界を提示すること。

提案手法

• 1. 連結グラフ G = (V, E) から導出される距離空間 (V, d) を用いて、閉鎖型サイトの輸送ネットワークをメトリック空間としてモデル化する。ノードは駅を表し、距離は最短経路で定義される。
• 2. 3つの運用モードを定義する：トランパス（固定ルート、両方向走行）、エレベーター（固定線路上のオンデマンドサービス）、タクシー（時間窓付きのオンデマンドピックアップ・デリバリー）。
• 3. エレベーター・モードに特化したMAINアルゴリズムを提案する。このアルゴリズムは、リクエストの位置と現在のサーバー位置に基づき、本部から離脱するか、本部に帰還するかを決定する。
• 4. アドバーシャル例を用いて、マクスパンおよび総巡回路長の両目的関数に対する競合比の下界を導出する。
• 5. 競合分析を用いて、最悪ケース性能を評価し、アルゴリズムのコストを最適なオフライン解（OPT）と比較する。
• 6. 朝、昼、夕方の異なるシナリオ下での性能を分析し、朝のシナリオにおける理論的境界を証明する。

実験結果

リサーチクエスチョン

• RQ1 1. 時間的に変化する需要に応じて、動的フリート管理システムはどのようにトランパス、エレベーター、タクシーの3モードを効果的に切り替えることができるか？
• RQ2 2. エレベーター・モードでマクスパンを最小化する際、MAINアルゴリズムの競合比はどの程度か？（直線ネットワーク上での朝のシナリオを想定）
• RQ3 3. 朝のシナリオにおいて、総巡回路長を最小化する際のMAINアルゴリズムの競合比はどの程度か？
• RQ4 4. サブプロブレムクラスタリング（異なるサブネットワークに異なるアルゴリズムを適用）は、均一なアルゴリズム適用と比較して、全体の解の品質をどのように向上させるか？
• RQ5 5. 自律走行車両のフリート管理の文脈において、最悪のリクエストシーケンス下でのオンラインアルゴリズムの理論的性能境界は何か？

主な発見

• 1. MAINアルゴリズムは、朝のシナリオにおける直線状のエレベーター・モードで、マクスパンを2-competitiveに最小化できることを証明しており、アドバーシャル例を用いてタイトな境界であることが示された。
• 2. 総巡回路長を最小化する場合のMAINアルゴリズムの競合比は、一般には (1/2)(n−1)Cap 以上であるが、朝のシナリオではCap-competitiveに改善される。
• 3. アドバーシャルリクエストシーケンスにより、マクスパンの競合比が2以上であることが示され、この境界は朝のシナリオにおいてタイトである。
• 4. 一部のリクエストパターン下では、MAINアルゴリズムの最悪ケース性能が避けがたいことが示され、将来のリクエストを事前に知る情報がないオンラインルーティングの本質的限界が浮き彫りになった。
• 5. フレームワークはモード間の動的切り替えとサブネットワーク別アルゴリズム適用を可能にし、一様なアルゴリズム適用に比べて顕著に解の品質が向上した。
• 6. 本研究では、理論的競合比が常に実際の性能を反映しているわけではないことが明らかになった。これにより、最悪ケースと最良ケースの両方の挙動を分析する必要性が浮き彫りになった。